O que é inteligência geral artificial (AGI)?

A AGI tem sido explorada ativamente desde os primórdios da pesquisa em IA. Ainda assim, não há consenso na comunidade acadêmica sobre o que exatamente se qualificaria como AGI ou como melhor alcançá-lo. Embora o objetivo geral da inteligência semelhante à humana seja bastante simples, os detalhes são sutis e subjetivos. A busca pela AGI, portanto, compreende o desenvolvimento de um framework para entender a inteligência nas máquinas e os modelos capazes de satisfazer essa framework.

O desafio é tanto filosófico quanto tecnológico. Filosoficamente, uma definição formal de AGI requer tanto uma definição formal de "inteligência" quanto um consenso geral sobre como essa inteligência poderia se manifestar na IA. Tecnologicamente, a AGI exige a criação de modelos de IA com um nível sem precedentes de sofisticação e versatilidade, métricas e testes para verificar de forma confiável a cognição do modelo e o poder necessário para sustentá-lo.

A noção de inteligência “geral”, ou IA geral, pode ser mais bem compreendida em contraste com a IA restrita: um termo que descreve de forma adequada praticamente toda a IA existente hoje, cuja “inteligência” se manifesta apenas em domínios especializados.

O Dartmouth Summer Research Project on Artificial Intelligence de 1956, que reuniu matemáticos e cientistas de instituições como Dartmouth, IBM, Harvard e Bell Labs, é considerado a origem do termo "inteligência artificial". Conforme descrito na proposta, “o estudo [deveria] prosseguir com base na conjectura de que todos os aspectos do aprendizado ou qualquer outra funcionalidade da inteligência podem ser descritos com tanta precisão que uma máquina pode ser feita para simulá-lo”.

Esse campo crescente de "IA" buscou desenvolver um roteiro para máquinas que podem pensar por si. Mas nas décadas seguintes, o progresso em direção a uma inteligência semelhante à humana em máquinas se mostrou enganosa.

Um progresso muito maior foi feito na busca de máquinas de computação que executem tarefas específicas que normalmente exigem inteligência significativa em humanos, como jogar xadrez, diagnósticos de saúde, forecasting ou dirigir automóveis. Mas esses modelos (como, por exemplo, os que alimentam carros autônomos) demonstram inteligência apenas dentro de seus domínios específicos.

Em 2007, o pesquisador de IA Ben Goertzel popularizou o termo "inteligência geral artificial" (AGI), por sugestão do cofundador da DeepMind Shane Legg, em um livro influente de mesmo nome. Em contraste com o que ele chamou de "IA estreita", uma inteligência artificial geral seria um novo tipo de IA com, entre outras qualidades, "a capacidade de resolver problemas gerais de maneira não restrita ao domínio, no mesmo sentido que um ser humano pode."

A AGI se refere a amplos recursos de nível humano em todas as tarefas e está fortemente associada a outros conceitos de aprendizado de máquina. Uma IA forte costuma estar associada à consciência ou à existência de uma mente verdadeira. A superinteligência artificial supera a capacidade humana em praticamente todas as tarefas. Embora esses conceitos apresentem bastante sobreposição, cada um deles constitui uma concepção distinta de IA por si só.

A "IA forte", um conceito amplamente discutido na obra do filósofo John Searle, refere-se a um sistema de IA que demonstra consciência e serve principalmente como um contraponto à IA fraca. Embora a IA forte seja geralmente análoga à AGI (e a IA fraca seja geralmente análoga à IA restrita), elas não são meros sinônimos uma da outra.

Em resumo, enquanto a IA fraca é simplesmente uma ferramenta a ser usada por uma mente consciente, ou seja, um ser humano, a IA forte é em si uma mente consciente. Embora normalmente esteja implícito que essa consciência implicaria uma inteligência correspondente igual ou superior à dos seres humanos, a IA forte não se preocupa explicitamente com o desempenho relativo em várias tarefas. Os dois conceitos são frequentemente confundidos porque a consciência geralmente é considerada um pré-requisito ou uma consequência da “inteligência geral”.

Apesar de suas semelhanças, a AGI e a IA forte acabam descrevendo conceitos complementares em vez de conceitos idênticos.

A superinteligência artificial, como seu nome implica, constitui um sistema de IA cujos recursos excedem amplamente os de qualquer ser humano em qualquer tarefa.

Conceitos como aprendizagem por transferência e aprendizagem com poucos exemplos são frequentemente discutidos em relação à AGI porque refletem a capacidade de um sistema de aplicar conhecimento de uma tarefa para outra. É importante notar que, sem dúvida, já alcançamos uma versão restrita da inteligência sobre-humana em diversas ocasiões, na forma de alguns sistemas de IA que, em tese, superam todos os seres humanos na tarefa ou no domínio específico para o qual foram projetados. Por exemplo:

• O AlphaFold supera todos os cientistas humanos na previsão da estrutura 3D de uma proteína a partir de uma sequência de aminoácidos.
  
  
• O Deep Blue da IBM derrotou o campeão mundial Garry Kasparov no xadrez em 1997.

• O IBM Watson derrotou os campeões do Jeopardy! Ken Jennings e Brad Rutter, em 2013.
  
  
• O AlphaGo (e seu modelo sucessor, o AlphaZero) é considerado o melhor jogador de Go do mundo.

Embora o aprendizado por transferência ajude os modelos de IA atuais a generalizar tarefas relacionadas, não é o mesmo que inteligência artificial geral. Esses modelos podem representar avanços rumo à superinteligência IA, mas ainda não alcançaram a inteligência de IA "geral". A inteligência de IA, por si só, não consegue aprender novas tarefas de forma autônoma nem expandir seus recursos de resolução de problemas além do seu escopo estritamente definido. Uma verdadeira ASI implicaria superioridade não apenas em um domínio específico, mas em qualquer tarefa que um ser humano pudesse executar.

A superinteligência não é um pré-requisito da AGI. Em teoria, um sistema de IA que demonstre consciência e um nível de inteligência comparável ao de um ser humano comum e normal representaria tanto a AGI quanto a IA forte, mas não a superinteligência artificial.

Não há consenso entre os especialistas sobre o que exatamente deve se qualificar como AGI, embora muitas definições tenham sido propostas ao longo da história da ciência da computação. Essas definições geralmente se concentram na noção abstrata de inteligência de máquina, em vez de algoritmos específicos ou modelos de aprendizado de máquina que devem ser usados para alcançá-la.

Em 2023, um artigo do Google Deepmind pesquisou a literatura acadêmica existente e identificou várias categorias de frameworks para a definição de inteligência geral artificial:

• Teste de Turing: máquinas que podem agir de forma convincente como seres humanos
  
  
• IA forte: sistemas que possuem consciência
  
  
• Analogias com o cérebro humano
  
  
• Desempenho de nível humano em tarefas cognitivas
  
  
• Capacidade de aprender novas tarefas
  
  
• Trabalho economicamente valioso
  
  
• Recursos flexíveis e gerais
  
  
• "Inteligência capaz artificial" (ACI)

Alan Turing, uma figura seminal na história da ciência da computação teórica, publicou uma das primeiras e mais influentes definições de inteligência de máquina em seu artigo de 1950, "Computer Machinery and Intelligence". O núcleo de seu argumento era que a inteligência pode ser definida pelo comportamento, em vez de qualidades filosóficas místicas. Reconhecendo a dificuldade de definir definições sólidas de conceitos como máquinas e pensamento, Turing propôs uma maneira simples de contornar o problema com base em um jogo festivo chamado Jogo da Imitação.

O "Teste de Turing" é simples: um observador humano deve ler amostras de texto e determinar se elas foram geradas por um humano ou por uma máquina. Turing propôs que, se um humano não consegue distinguir entre a saída do programa e a saída de outro ser humano, pode-se dizer que o programa demonstra inteligência semelhante à humana.

Críticas ao Teste de Turing
Apesar de sua influência gigantesca, os cientistas da computação hoje não consideram que o Teste de Turing seja uma medida adequada de AGI. Em vez de demonstrar a capacidade de as máquinas pensam, o teste muitas vezes simplesmente destaca como os seres humanos são fáceis de enganar.

Por exemplo, em 1966 Joseph Weizelbaum criou um programa de chatbot chamado ELIZA que aplicava regras simples para transformar a linguagem humana da entrada de um usuário em uma resposta do chatbot. O primeiro programa que ele projetou com esse chatbot foi chamado DOCTOR, projetado para imitar um psicoterapeuta rogeriano, respondendo genericamente ou reformulando a entrada do usuário na forma de uma pergunta:

Humano: bem, meu namorado me fez vir aqui.
ELIZA: seu namorado fez você vir aqui?
Humano: ele diz que eu fico deprimido na maior parte do tempo.
ELIZA: lamento saber que você está deprimida.
Humano: é verdade. Estou infeliz.
ELIZA: você acha que vir aqui vai te ajudar a não ser infeliz?

Como Weizelbaum explicou em seu trabalho de 1976, Computer Power and Human Reason, ele ficou “surpreso ao ver como as pessoas conversando com a DOCTOR de forma rápida e profunda se envolveram emocionalmente com o computador e como elas o antropomorfizaram de forma inequívoca”. Ele observou que até mesmo sua assistente, que o observou trabalhar no programa por meses e obviamente conhecia sua metodologia simples, pediu-lhe para sair da sala por privacidade quando ela começou a conversar com ele.¹ Esse fenômeno veio a ser conhecido como O Efeito ELIZA.

Outra definição proposta estabelece um padrão mais elevado para a AGI: um sistema de IA que possui consciência. Alguns pesquisadores vinculam a AGI à consciência ou autoconsciência, enquanto outros argumentam que a autoconsciência não é necessária para o desempenho de tarefas de nível humano. Ainda não se sabe se a consciência é necessária para a inteligência artificial geral. Conforme articulado por Searles, “de acordo com a IA forte, o computador não é meramente uma ferramenta no estudo da mente; na verdade, o computador programado adequadamente é realmente uma mente.”²

Searles escreveu uma proeminente refutação filosófica da capacidade do teste de Turing de provar uma IA forte em 1980. Ele descreve um falante de inglês sem nenhuma compreensão de chinês, trancado em uma sala cheia de livros de símbolos chineses e instruções (em inglês) para manipular os símbolos. Ele argumenta que o falante de inglês poderia enganar alguém em uma sala diferente fazendo-o pensar que ele pode falar chinês simplesmente seguindo as instruções para manipular números e símbolos, apesar de não entender as mensagens da outra pessoa, nem mesmo suas próprias respostas.³

As décadas de debate em torno do Argumento do Quarto Chinês, resumidas neste artigo da Stanford Encyclopedia of Philosophy, demonstram a ausência de consenso científico quanto à definição de “compreensão” e quanto à possibilidade de um programa de computador possuí-la. Essa discordância, juntamente com a possibilidade de que a consciência possa nem mesmo ser um requisito para um desempenho semelhante ao humano, torna a IA Forte, por si só, um framework impraticável para definir a AGI.

Uma abordagem intuitiva da AGI, que visa replicar o tipo de inteligência que (até onde sabemos) só foi alcançada pelo cérebro humano, é replicar o próprio cérebro humano.⁴ Essa intuição levou às redes neurais artificiais originais, que, por sua vez, deram origem aos modelos deep learning que atualmente representam o o que há de mais moderno em praticamente todos os subcampos da IA.

O sucesso das redes neurais de deep learning, particularmente os grandes modelos de linguagem (LLMs) e os modelos multimodais na vanguarda da IA generativa (IA gen), demonstram os benefícios de se inspirar no cérebro humano por meio de redes auto-organizadas de neurônios artificiais. No entanto, muitos dos modelos de deep learning mais capazes até o momento usam arquiteturas baseadas em transformer, que por si só não emulam estritamente estruturas semelhantes ao cérebro. Isso sugere que imitar explicitamente o cérebro humano pode não ser inerentemente necessário para alcançar a AGI.

Uma abordagem mais holística é simplesmente definir a AGI como um sistema de IA que pode realizar todas as tarefas cognitivas que as pessoas podem fazer. Embora essa definição seja útil de forma flexível e intuitiva, ela é ambígua: quais tarefas? Quais pessoas? Essa ambiguidade limita seu uso prático como um framework formal para a AGI.

A contribuição mais notável desse framework é que ele limita o foco da AGI a tarefas não físicas. Isso desconsidera recursos como o uso de ferramentas físicas, locomoção ou manipulação de objetos, que muitas vezes são considerados demonstrações de "inteligência física".⁵ Isso elimina novos avanços em robótica como um pré-requisito para o desenvolvimento da AGI.

Outra abordagem intuitiva à AGI e à inteligência em si é enfatizar a capacidade de aprender – especificamente de aprender a maior variedade de tarefas e conceitos possíveis para os humanos. Essa ideia remete a Turing em “Computing Machinery and Intelligence”, no qual ele especula que talvez fosse mais sensato programar uma IA com características infantis e submetê-la a um período de aprendizado, em vez de programar diretamente um sistema computacional como se fosse uma mente adulta.⁶

Essa abordagem está em desacordo com a IA restrita, que treina explicitamente modelos para executar uma tarefa específica. Por exemplo, mesmo um modelo de aprendizado de máquina como o GPT-4, que ostensivamente demonstra capacidade de aprendizado com poucos exemplos ou até mesmo com zero exemplos em tarefas "novas", está limitado a funções adjacentes à sua tarefa principal: prever autorregressivamente a próxima palavra em uma sequência.

Embora os modelos de IA multimodal de última geração possam executar tarefas cada vez mais diversificadas, desde processamento de linguagem natural (NLP) até computer vision e reconhecimento de fala, eles ainda estão limitados a uma lista finita de habilidades essenciais representadas em seus conjuntos de dados de treinamento. Eles não podem, por exemplo, também aprender a dirigir um carro. Uma verdadeira AGI seria capaz de aprender com novas experiências em tempo real, um feito comum para crianças humanas e até mesmo para muitos animais.

O pesquisador de IA Pei Wang oferece uma definição de inteligência de máquina que é útil dentro desse framework: "a capacidade de um sistema de processamento de informações de se adaptar ao seu ambiente com conhecimento e recursos insuficientes".⁷

A Open AI, cujo modelo GPT-3 é frequentemente creditado como o início da atual era da IA generativa após o lançamento do ChatGPT, define a AGI em seu regulamento como "sistemas altamente autônomos que superam os humanos nos trabalhos economicamente mais valiosos".⁸

Como observa o artigo da DeepMind, essa definição omite elementos da inteligência humana cujo valor econômico é difícil de definir, como criatividade artística ou inteligência emocional. Na melhor das hipóteses, esses aspectos da inteligência podem gerar valor econômico de forma indireta, como a criatividade, que produz filmes lucrativos, ou a inteligência emocional, que alimenta máquinas que realizam psicoterapia.

O foco no valor econômico também implica que os recursos que compõem a AGI só podem ser contabilizados se forem realmente colocados em implementação no mundo real. Se um sistema de IA consegue rivalizar com humanos em uma tarefa específica, mas sua implementação para essa tarefa é impraticável por razões legais, éticas ou sociais, pode-se dizer que ele "supera" os humanos?

O artigo da DeepMind também observa que a OpenAI encerrou sua divisão de robótica em 2021, implicando que a replicação do trabalho físico (e as implicações correspondentes sobre o papel da “inteligência física” na AGI) não faz parte dessa interpretação de valor econômico.

Gary Marcus, psicólogo, cientista cognitivo e pesquisador de IA, definiu a AGI como "uma abreviação para qualquer inteligência... que seja flexível e geral, com recursos e confiabilidade comparáveis à (ou além) da inteligência humana".⁹ Marcus propôs um conjunto de tarefas de benchmark destinadas a demonstrar essa adaptabilidade e competência geral, semelhante a uma implementação específica e prática do framework de "tarefas de aprendizado".

Essa quantificação da AGI lembra um experimento mental proposto pelo cofundador da Apple, Steve Wozniak, que perguntou: "Um computador poderia preparar uma xícara de café?" Wozniak observa que essa tarefa aparentemente simples é, na verdade, bastante complexa: é preciso ser capaz de caminhar para saber o que é uma cozinha, saber a aparência de uma máquina de café ou café e interagir com gavetas e armários. Resumindo, um ser humano precisa recorrer a uma vida inteira de experiência apenas para preparar uma xícara de café.¹⁰

Especificamente, Marcus propôs um conjunto de cinco tarefas de benchmark que demonstrariam AGI se executadas por um único sistema de IA.¹¹

• Assistir a um filme e entender seus personagens, seus conflitos e suas motivações.
  
  
• Ler um romance e responder a perguntas de forma confiável, com insights além do texto original, sobre enredo, personagens, conflitos e motivações.
  
  
• Trabalhar como um chef competente em uma cozinha qualquer (semelhante ao benchmark de café de Wozniak).
  
  
• Construir de forma confiável 10.000 linhas de código sem erros a partir de instruções em linguagem natural, sem recorrer a código proveniente de bibliotecas existentes.
  
  
• Converter provas matemáticas de linguagem natural em forma simbólica.

Embora esse framework orientado a tarefas introduza uma objetividade tão necessária na validação da AGI, é difícil concordar se essas tarefas específicas abrangem toda a inteligência humana. A terceira tarefa, trabalhar como chef, implica que a robótica e, portanto, a inteligência física, seriam uma parte necessária da AGI.

Em 2023, o CEO da Microsoft IA e cofundador da DeepMind, Mustafa Suleyman, propôs o termo “inteligência capaz artificial” (ACI) para descrever sistemas de IA que podem realizar tarefas complexas, abertas e de várias etapas no mundo real. Mais especificamente, ele propôs um "Teste de Turing Moderno", no qual uma IA receberia US$ 100 mil de capital inicial e seria encarregada de transformá-la em US$ 1 milhão.¹² Em termos gerais, isso combina a noção de valor econômico da OpenAI com o foco de Marcus na flexibilidade e inteligência geral.

Embora esse benchmark provavelmente comprove engenhosidade genuína e competência interdisciplinar, em termos práticos esse enquadramento de inteligência como um tipo específico de saída é proibitivamente restrito. Além disso, focar apenas no lucro introduz riscos significativos de alinhamento. ¹³

Alguns pesquisadores, como Blase Aguera y Arcas e Peter Norvig, argumentaram que LLMs avançados, como o Llama da Meta, o GPT da Open IA e o Claude da Anthropic, já alcançaram a AGI. Eles postulam que a generalidade é o elemento-chave da AGI e que os modelos de hoje já podem discutir uma ampla gama de tópicos, realizar uma ampla gama de tarefas e processar uma gama diversificada de entradas multimodais. “A inteligência geral deve ser pensada em termos de um quadro de avaliação multidimensional”, afirmam eles. “Não é uma simples proposta de sim ou não.”¹⁴

Há muitos detratores nessa posição. Os autores do artigo da DeepMind argumentam que a generalidade em si não se qualifica como AGI: ela deve ser combinada com um certo grau de desempenho. Por exemplo, se um LLM pode escrever código, mas esse código não é confiável, então essa generalidade "ainda não tem desempenho suficiente".

Yann LeCun, cientista-chefe de IA da Meta, afirmou que os LLMs não têm AGI porque não têm senso comum: não podem pensar antes de agir, não podem realizar ações no mundo real ou aprender por meio de experiência incorporada e não têm memória persistente e capacidade de planejamento hierárquico.¹⁵ Em um nível mais fundamental, LeCun e Jacob Browning argumentaram que "um sistema treinado apenas na linguagem nunca se aproximará da inteligência humana, mesmo que treinado a partir de agora até a morte térmica do universo".¹⁶

Goertzel e Pennachin afirmam que existem pelo menos três abordagens tecnológicas básicas para sistemas AGI, em termos de algoritmos e arquiteturas de modelos.

• Emulação próxima do cérebro humano em software: os insights da neurociência continuam influenciando a pesquisa em AGI, mesmo quando as arquiteturas de modelos não imitam diretamente o cérebro. Como o cérebro humano é o único sistema que conhecemos capaz de desenvolver inteligência geral, uma emulação quase perfeita dele produziria, teoricamente, uma inteligência semelhante. Embora as redes neurais artificiais repliquem superficialmente os mecanismos básicos do cérebro, o funcionamento real do cérebro é muito mais variado e sofisticado do que os modelos atuais de deep learning. Além do desafio tecnológico de emular verdadeiramente o cérebro, essa abordagem também exige uma compreensão maior do funcionamento cerebral do que a que temos atualmente.¹⁷

• Uma nova arquitetura de modelo, distinta tanto do cérebro quanto das arquiteturas de IA restrita: essa abordagem parte do pressuposto de que o cérebro não é a única estrutura capaz de gerar inteligência geral e que as abordagens existentes para IA restrita não conseguem transcender suas limitações tecnológicas ou conceituais. A AGI, portanto, exigiria um novo tipo de inteligência artificial. Por exemplo, LeCun propôs abandonar as arquiteturas de modelos de IA autorregressivos e outros modelos generativos probabilísticos em favor de “sistemas de IA orientados por objetivos”, cujos “modelos de mundo” aprendem de maneira mais semelhante à de animais e crianças.
  
  
• Uma abordagem integrativa, sintetizando algoritmos de IA restritos: essa abordagem é o foco da maioria das iniciativas atuais do mundo real para alcançar a AGI, tentando unir o progresso isolado que foi feito em ferramentas restritas de IA, como LLMs, modelos de imagem e agentes de aprendizado por reforço. Os modelos multimodais atuais podem ser vistos como etapas intermediárias nesse caminho. Essas abordagens integrativas normalmente utilizam um modelo central de "agente" (frequentemente um LLM) para orientar um processo de tomada de decisão e automatizar a delegação de subtarefas a modelos especializados.

As previsões sobre o futuro da IA sempre envolvem um alto grau de incerteza, mas quase todos os especialistas concordam que ele será possível até o final do século e alguns estimam que isso pode acontecer muito mais cedo.

Em 2023, Max Roser, de Our World in Data, fez um resumo de previsões da AGI para resumir como o pensamento especializado evoluiu sobre o forecasting da AGI nos últimos anos. Cada pesquisa perguntou aos entrevistados (pesquisadores de IA e aprendizado de máquina) quanto tempo eles achavam que levaria para alcançar uma chance de 50% de inteligência de máquina de nível humano. A mudança mais significativa em relação a 2018-2022 é a crescente certeza dos entrevistados de que a AGI chegaria dentro de 100 anos.

No entanto, vale a pena notar que esses três estudos foram conduzidos antes do lançamento do ChatGPT e do início da era moderna da IA generativa. O ritmo cada vez maior dos avanços na tecnologia de IA desde o final de 2022, especialmente em LLMs e IA multimodal, resultou em um ambiente de forecasting muito diferente.

Em uma pesquisa de acompanhamento maior por Grace et al de 2.778 pesquisadores de IA, realizada em outubro de 2023 e publicada em janeiro de 2024, os entrevistados estimaram uma chance de 50% de "máquinas sem ajuda superando os humanos em todas as tarefas possíveis" em 2047—13 anos antes do que especialistas previram em um estudo semelhante apenas um ano antes.

Mas, como observa Roser, a pesquisa mostrou que especialistas em muitas áreas não são necessariamente confiáveis quando fazem forecasting do futuro de sua própria disciplina. Ele cita o exemplo dos irmãos Wright, geralmente considerados os inventores do primeiro avião bem-sucedido do mundo. Em um discurso de aceitação de prêmio em 5 de novembro de 1908 no Aéro Club de France em Paris, Wilbur Wright disse: "Confesso que, em 1901, eu disse ao meu irmão Orville que os homens não voariam por 50 anos. Dois anos depois, estávamos fazendo voos.”¹⁸

Inteligência artificial é uma categoria muito ampla que inclui qualquer sistema capaz de tomar decisões ou previsões sem intervenção humana, desde os fantasmas do Pac-Man até um LLM de última geração. A inteligência artificial geral refere-se especificamente a um sistema de IA com recursos semelhantes aos humanos (ou melhores) que se generalizam para qualquer tarefa.

Não. IA agêntica refere-se a sistemas que podem planejar, executar ações e coordenar tarefas com várias etapas, frequentemente utilizando ferramentas ou múltiplos modelos. Embora os sistemas de IA agêntica possam executar tarefas de várias etapas para atingir metas específicas com intervenção humana limitada, eles normalmente operam dentro de domínios e recursos definidos.

A AGI, por outro lado, descreve uma forma hipotética de IA com inteligência geral de nível humano que pode entender, aprender, raciocinar e se adaptar a praticamente qualquer tarefa ou domínio cognitivo. Em termos simples, a IA agêntica se concentra na ação autônoma e na execução de metas, enquanto a AGI se concentra na inteligência e adaptabilidade amplas e semelhantes às humanas.

Os modelos de base podem ajudar a habilitar a AGI, mas não são a própria AGI. Os modelos de base fornecem a tecnologia subjacente para sistemas avançados de IA, aprendendo padrões a partir de conjuntos de dados massivos e suportando uma ampla gama de tarefas. Embora muitos especialistas acreditem que modelos de base cada vez mais capazes possam formar um bloco de construção fundamental da AGI, a maioria dos pesquisadores concorda que recursos adicionais, como raciocínio confiável, memória de longo prazo, compreensão do mundo real e aprendizado autônomo, são necessários antes que a verdadeira AGI possa ser alcançada.

Não, os LLMs atuais não são considerados AGI. Embora grandes modelos de linguagem possam entender e gerar linguagem, raciocinar sobre muitos assuntos e concluir uma ampla gama de tarefas, eles ainda carecem da adaptabilidade ampla, de nível humano, compreensão do mundo real e capacidade de resolução de problemas normalmente associada à inteligência artificial geral (AGI). No entanto, os especialistas continuam debatendo se os LLMs cada vez mais capazes representam um caminho para a AGI ou uma forma inicial dela.

A AGI é um pré-requisito da superinteligência artificial (ASI), mas a superinteligência não é necessária para a AGI. Um sistema de IA com inteligência e habilidades idênticas às de uma pessoa comum e normal se qualificaria como AGI, mas não seria ASI.

Não há consenso. Alguns pesquisadores argumentam que a autoconsciência ou consciência é necessária para a verdadeira inteligência artificial geral, enquanto outros definem a AGI de forma mais restrita, como inteligência de nível humano em tarefas, seja o sistema autoconsciente ou não. Esse debate é uma das razões pelas quais a AGI continua sendo difícil de definir e mensurar.

Como não há um consenso verdadeiro sobre exatamente o que se qualificaria como AGI, não há uma maneira consensual de saber quando atingimos esse nível. Alguns benchmarks de desempenho, como o ARC-AGI, pretendem medir a AGI — mas a subjetividade envolvida torna improvável que qualquer benchmark possa fornecer uma prova definitiva.