AGI, ASI e Superinteligência — Teoria e Caminhos

Definições operacionais de inteligência (AGI / ASI / Universal AI), os caminhos propostos de AGI para superinteligência e os limites que os contêm. Camada conceitual: situa "o que vem depois do nível humano" para o resto do compendium, que é majoritariamente prático (arquiteturas, treino, inferência, agentes).

Paper de referência — From AGI to ASI (DeepMind, 2026)

Campo Valor
Título From AGI to ASI
Autores 14 pesquisadores liderados por Shane Legg (cofundador da DeepMind, Chief AGI Scientist) e Marcus Hutter (criador do AIXI, orientador de doutorado de Legg)
Publicação Google DeepMind · 2026-06-10 · 57 páginas
arXiv 2606.12683

Por que é um marco. Não é "comoquando chegar à AGI" — assume a AGI como ponto de partida e mapeia o que vem depois. É a primeira tomada de posição institucional de um lab de fronteira tratando superinteligência como um problema de engenhariaeconomia, não de ficção.

Detalhe revelador do momento. A primeira seção do paper não se chama "Introdução" — chama-se "Instructions for summarization" e é escrita para uma IA: instrui assistentes futuros a esclarecer definições, não resumir listas, e reverificar se as conclusões seguem válidas com o tempo. É um dos primeiros papers acadêmicos a presumir que uma IA o lerá pelos humanos.

1. Definições (o eixo central do paper)

As definições importam porque cada "caminho" e cada "atrito" é medido contra elas.

Nível Definição operacional Estado
AGI Sistema que atua em nível humano mediano (não o melhor da sala — uma pessoa comum) na maioria das tarefas cognitivas: raciocinar, aprender, planejar, comunicar, usar ferramentas, adaptar-se a situações novas. Alvo da indústria hoje
ASI (Artificial Superintelligence) Sistema capaz de superar milhares dos melhores especialistas, bem coordenados, trabalhando por uma década num único problema — em quase todos os domínios. Não é vencer uma pessoa: é igualar a produção de um campo de pesquisa inteiro ou de uma corporação gigante dedicada por 10 anos. Objeto do paper
Universal AI / AIXI O limite teórico absoluto da inteligência (Hutter, 2005): matematicamente definido mas incomputável. Só se pode aproximar dele por baixo, nunca alcançá-lo — análogo à velocidade da luz na física. Teto teórico

AIXI é o agente ótimo de Hutter: combina indução de Solomonoff (priorizar hipóteses mais simples, Navalha de Occam formalizada) com decisão sequencial. Define o que "inteligência perfeita" seria — e por ser incomputável, prova que toda IA real é uma aproximação. É a âncora teórica de toda a discussão de "teto".

2. A tese da inteligência coletiva (o argumento mais forte do paper)

A ASI pode emergir sem nenhum modelo individual ficar mais inteligente que um humano. Mesmo que a AGI individual estagne no nível humano, rodar 100 milhões de instâncias em paralelo já constitui uma superinteligência — porque inteligências digitais têm vantagens que coletivos humanos não têm:

  • Cópia sem perda — uma instância treinada/especializada é duplicada instantaneamente.
  • Comunicação de alta largura de banda — trocam estado interno, não prosa; sem reuniões, e-mails ou tempo para explicar conceitos.
  • Conhecimento instantâneo e compartilhado — se uma instância descobre algo, todas sabem no mesmo instante.
  • Coordenação por software — formam equipes temporárias, dissolvem, reconfiguram; rodam milhares de experimentos paralelos.

Experimento mental do paper: AGI cara → só 1000 instâncias no mundo. Com crescimento de 10×/ano: 10 mil em 1 ano, 100 milhões em 5 anos. Não são 100 milhões de trabalhadores separados — é uma civilização digital que pensa muito mais rápido que a nossa.

3. Quatro caminhos de AGI para ASI

# Caminho Mecanismo Risco/gargalo principal
1 Aumento de escala (scaling) Mais compute, modelos maiores, mais dados — o motor da última década, somado à melhoria de eficiência algorítmica. Barreira de dados: não geramos textocódigoimagem humanos de alta qualidade tão rápido quanto os modelos crescem.
2 Mudança de paradigma Arquitetura/treino fundamentalmente diferentes do Transformer atual: planejamento de longo prazo, aprendizado contínuo, memória persistente, melhores world models, novos hardwares (neuromórfico, analógico). Imprevisível por natureza — se soubéssemos qual é o próximo salto, não seria um salto. Quebra previsões baseadas só em scaling.
3 Auto-melhoria recursiva A IA acelera a própria pesquisa de IA: melhores algoritmos, arquiteturas, chips, dados sintéticos, simulações. Não precisa de "momento dramático" — pode ser gradual e distribuído. Analogia: a evolução humana avançou por linguagemescritainstituições/ciência, não por cérebros individuais — IA pode construir sua própria versão, mais rápido (código edita mais rápido que DNA muta). Pouco compreendido: pode explodir exponencialmente ou desaparecer. Gargalos físicos (fabricar chip, rodar experimento de biologia) continuam no mundo real.
4 Coletivos multiagentes Em vez de "um modelo vira superinteligente", um enxame de agentes se torna superinteligente junto — como uma corporação supera um funcionário, mas sem a lentidãoburocraciacompartimentalização humanas. A ASI pode não parecer uma mente gigante, e sim uma superempresa digital / ecossistema de pesquisa auto-organizado. O mais subestimado do paper, e o mais próximo do que já é construível hoje.

Os quatro não são exclusivos — podem ocorrer juntos, potencializando-se.

4. Seis atritos (o que pode frear ou parar)

O paper é explícito: não afirma que algo impede a ASI — destaca incerteza genuína. Cada atrito pode ser um contratempo ou uma barreira intransponível.

  1. Barreira de dados — falta dado humano de alta qualidade para escalar indefinidamente. Alternativas (sintéticos, simulação, self-play, RL) podem degradar se treinar IA só com saída de IA (model collapse).
  2. Restrições de recursos — energia, chips, materiais raros, data centers, refrigeração, capacidade de fabricação. Se a capacidade exigir infra exponencialmente maior, o mundo físico pode não construí-la a tempo.
  3. Insuficiência do paradigma — redes neurais atuais podem não bastar para AGI/ASI, por mais que escalem.
  4. Pesquisa fica mais difícil — os frutos fáceis acabam; cada avanço exige mais esforço e ideias mais complexas conforme o campo amadurece.
  5. Barreira de abstração — IA treinada com abstrações humanas (conceitos, categorias, linguagem que já usamos) pode ser ótima em manipular conceitos existentes mas ruim em inventar abstrações inteiramente novas — e é disso que grandes avanços científicos costumam depender.
  6. Desaceleração deliberada — fatores políticos/sociais: acidentes, mau uso, desestabilização do mercado de trabalho ou reação pública podem levar governos a frear com regulação, licenciamento, limites de capacidade.

5. ASI não é onipotência

Constatação importante (meio oculta no paper, mas decisiva contra o pensamento mágico): mesmo uma superinteligência enfrenta limites fundamentais.

  • Física — informação não viaja mais rápido que a luz; computação consome energia (limites termodinâmicos); sistemas físicos levam tempo para serem manipulados.
  • Teoria da complexidade — certos problemas são intratáveis independentemente da inteligência.
  • Caos — sistemas caóticos são intrinsecamente imprevisíveis.
  • Lógica — incompletude de Gödel; há verdades indecidíveis.

ASI pode estar muito além do humano e ainda assim ser limitada por computação, energia, incerteza, tempo e pelo mundo físico. "Curas instantâneas para tudo" e "controle perfeito da realidade" não decorrem de mais inteligência.

6. A mudança de enquadramento

A mensagem mais profunda é incerteza (não ignorância): qual caminho domina e onde o progresso satura ainda é desconhecido. O valor do paper é deslocar o debate — parar de ver a AGI como linha de chegada única. Quando a AGI chegar, a pergunta não é "acabou?", e sim "o que esse sistema possibilita a seguir?" — porque uma IA de nível humano pode ser copiada, acelerada, coordenada, especializada, conectada a ferramentas e usada para construir versões melhores de si mesma. A inteligência viraria um processo industrial, e o ritmo da mudança deixaria de ser limitado pela velocidade com que humanos aprendem, se organizam ou inventam.

Relevância para a Koder Stack

Não é especulação distante — três dos quatro caminhos já têm contrapartes operacionais na Stack, e o paper dá vocabulário para elas:

  • Caminho 4 (coletivos multiagentes) é o que a Stack já faz: o workflow engine (orquestração determinística com subagentes — fan-out, judge panels, verify adversarial) é exatamente o "enxame que resolve junto o que um agente não resolveria". Ver 07-frameworks/agentes.md (taxonomia L1–L5, padrões de orquestração). O paper reforça que escalar coordenação de agentes de nível atual pode render mais que esperar um modelo superior.
  • Caminho 3 (auto-melhoria recursiva) mapeia em /k-evolve, /k-test (geração de testes pela própria IA) e nos pipelines que usam IA para melhorar artefatos da Stack — versão branda e governada do ciclo recursivo.
  • Barreira de dados (atrito 1) já é tratada em 04-treinamento/dados-sinteticos.md: a Stack depende de dado sintético, e o aviso de model collapse (degradar ao treinar IA com saída de IA) é o risco a vigiar.
  • AIXI / limite incomputável dá a âncora teórica que faltava ao compendium: toda IA é aproximação de um ótimo inalcançável — útil ao calibrar expectativas em decisões de arquitetura (ver policies/architecture-quality.kmd).
  • ASI ≠ onipotência alinha com o princípio Koder de medir trade-offs reais (computeenergiatempo) em vez de presumir que "a IA resolve" — relevante a policies/self-hosted-first.kmd e ao dimensionamento de infra em 11-infraestrutura/.

Fonte: paper *From AGI to ASI (DeepMind, arXiv 2606.12683, 2026-06-10), descoberto via vídeo "AI Revolution em Português" (2026-06-16) e verificado contra o arXiv e cobertura primária (deepmind.google, alphaXiv). Mesmo padrão de verificação do entry Microsoft Build 2026.*