AGI/Singularidade: 9.800 Previsões Analisadas
A inteligência artificial geral (AGI) ocorre quando um sistema de IA iguala as capacidades cognitivas humanas em todas as tarefas. Analisamos 9.800 previsões de pesquisadores de IA, empreendedores líderes e da comunidade sobre a linha do tempo da AGI:
A AGI/singularidade acontecerá? A AGI é inevitável, de acordo com a maioria dos especialistas em IA.
Quando alcançaremos a AGI? Entre o final da década de 2020 e o início da década de 2030. A linha do tempo da AGI encurtou após o lançamento do ChatGPT.
Linha do tempo da Inteligência Artificial Geral
A linha do tempo acima descreve o ano previsto para a singularidade, com base em insights coletados de 10 pesquisas com mais de 6.000 participantes, respostas de 18 pesquisadores de IA e insights da comunidade vindos dos mercados de previsão Manifold, Kalshi e Metaculus.
Como você pode ver acima, os respondentes das pesquisas esperam cada vez mais que a singularidade ocorra mais cedo do que o previsto anteriormente. Conheça os métodos que utilizamos para criar este gráfico.
Previsões de AGI de mercados de previsão
Para mercados de previsão e previsões de insights da comunidade, utilizamos:
Mais de 3.800 previsões do Manifold, Kalshi e Metaculus, que são mercados de previsão online onde os participantes negociam a probabilidade e o tempo de eventos futuros para lucro ou reputação. Também incluímos a data de previsão média obtida desses mercados de previsão.
Outras questões fundamentais sobre AGI
Qual é o nosso status atual em relação à AGI?
Embora a IA estreita supere os humanos em tarefas específicas, uma máquina geralmente inteligente ainda não existe. Alguns pesquisadores afirmam que os large language models demonstram capacidades generalistas emergentes.1 De acordo com o nosso AGI benchmark, as máquinas estão longe de gerar valor econômico autonomamente.
Como podemos alcançar a AGI?
Ou colocando mais compute e dados por trás de arquiteturas atuais como transformers, ou inventando novas abordagens. Ainda não há consenso científico sobre o método para alcançar a AGI ou para validá-la.
Abaixo você pode ver um resumo das previsões que compõem esta linha do tempo, ou ver a tabela completa.
Resultados de grandes pesquisas com pesquisadores de IA
Examinamos os resultados de 10 pesquisas envolvendo mais de 6.000 pesquisadores e especialistas em IA, nos quais eles estimaram quando a AGI/singularidade poderia ocorrer.
Embora as previsões variem, a maioria das pesquisas indica uma probabilidade de 50% de alcançar a AGI entre 2040 e 2061, com alguns estimando que a superinteligência poderia surgir em algumas décadas.
Pesquisa de Especialistas sobre o Progresso na IA
Em outubro de 2023, a AI Impacts pesquisou 2.778 pesquisadores de IA sobre quando a AGI poderia ser alcançada. Esta pesquisa incluiu perguntas quase idênticas à pesquisa de 2022. Com base nos resultados da Pesquisa de Especialistas sobre o Progresso na IA, estima-se que a inteligência de máquina de alto nível ocorra até 2040.2
Pesquisa de Especialistas sobre o Progresso na IA
A pesquisa foi realizada com 738 especialistas que publicaram nas conferências NIPS e ICML de 2021. Com base nos resultados da Pesquisa de Especialistas sobre o Progresso na IA, os especialistas estimam que há uma chance de 50% de que a inteligência de máquina de alto nível ocorra até 2059.3
Os especialistas também previram que o custo do hardware, o progresso algorítmico e o trabalho em datasets seriam os maiores fatores no progresso da IA.
Pesquisa de Previsão do Progresso da IA
Baobao Zhang pesquisou 296 especialistas em IA em 2019, pedindo que previssem quando as máquinas superariam o trabalhador humano médio na execução de mais de 90% das tarefas economicamente relevantes. De acordo com os resultados da Pesquisa de Previsão do Progresso da IA, metade dos respondentes estimou que isso aconteceria antes de 2060.4
Pesquisa de Especialistas em IA sobre o Tempo da AGI
As previsões da Pesquisa de Especialistas em IA sobre o Tempo da AGI em 20195 são:
- 45% dos respondentes preveem uma data antes de 2060.
- 34% de todos os participantes previram uma data após 2060.
- 21% dos participantes previram que a singularidade nunca ocorreria.
Pesquisa sobre o Impacto Potencial da IA no Deslocamento de Mão de Obra
Ross Gruetzemacher pesquisou 165 especialistas em IA em 2018 para avaliar o impacto potencial da IA no deslocamento de mão de obra. Os especialistas foram solicitados a estimar quando os sistemas de IA seriam capazes de realizar 99% das tarefas pelas quais os humanos são atualmente pagos, em um nível igual ou superior ao de um humano médio.
Com base nos resultados da pesquisa sobre o Impacto Potencial da IA no Deslocamento de Mão de Obra, metade dos respondentes previu que este marco seria alcançado antes de 2068, enquanto 75% anteciparam que ocorreria nos próximos 100 anos.6
Pesquisa com especialistas em IA nas conferências NIPS e ICML
Em maio de 2017, 352 especialistas em IA que publicaram nas conferências NIPS e ICML de 2015 foram pesquisados.7
Com base nos resultados da pesquisa das conferências NIPS e ICML, os especialistas estimam uma chance de 50% de que a AGI ocorra até 2060. Dito isso, há uma diferença significativa de opinião baseada na geografia:
- Respondentes asiáticos esperam a AGI em 30 anos,
- Norte-americanos a esperam em 74 anos.
Algumas funções profissionais significativas que se espera que sejam automatizadas até 2030 incluem representantes de call center, motoristas de caminhão e vendas no varejo.
Pesquisa sobre o Progresso Futuro na Inteligência Artificial
Vincent C. Muller, presidente da Associação Europeia de Sistemas Cognitivos, e Nick Bostrom, da Universidade de Oxford, que publicou mais de 200 artigos sobre superinteligência e inteligência artificial geral (AGI), conduziram a pesquisa sobre o Progresso Futuro na Inteligência Artificial em 2012 e 2013. 550 participantes responderam à pergunta: Quando é provável que a AGI aconteça?8
De acordo com os resultados da pesquisa sobre o Progresso Futuro na Inteligência Artificial:
- Os especialistas em IA pesquisados estimam que a AGI provavelmente (mais de 50% de chance) surgirá entre 2040 e 2050 e é altamente provável (90% de chance) que apareça até 2075.
- Uma vez alcançada a AGI, a maioria dos especialistas afirma que ela progredirá para a superinteligência relativamente rápido, com um prazo variando de apenas 2 anos (improvável, 10% de probabilidade) a cerca de 30 anos (alta probabilidade, 75%).
Pesquisa com especialistas em IA participantes da conferência AGI-09
Com base nos resultados da pesquisa com 21 especialistas em IA participantes da conferência AGI-09 em 2009, a AGI ocorrerá por volta de 2050, e plausivelmente antes.9 Você pode ver abaixo as estimativas deles em relação a conquistas específicas de IA: passar no teste Turing, passar na terceira série, realizar avanços científicos dignos de Nobel e alcançar a inteligência sobre-humana.
Figura 1: Resultados da pesquisa distribuída aos participantes da conferência Artificial General Intelligence 2009 (AGI-09).
Insights da comunidade
Também avaliamos as previsões da Samotsvety Forecasting e da Comunidade Metaculus sobre AGI, e os resultados do mercado de previsão do Manifold, Kalshi e Polymarket:
Samotsvety Forecasting
A Samotsvety Forecasting é uma equipe de previsores que faz previsões probabilísticas sobre eventos do mundo real, especialmente em geopolítica, tecnologia e riscos globais, usando raciocínio estruturado e métodos quantitativos. Eles demonstram um forte histórico competitivo em grandes plataformas e torneios de previsão (ex: INFER/CSET-Foretell), onde sua precisão é medida usando métricas de pontuação formais, como o Brier score.10
Em janeiro de 2026, a equipe atualizou suas previsões sobre AGI com 8 previsores.11 Aqui estão os resultados agregados:
- 10% de probabilidade de alcançarmos a AGI em 2026
- 50% de probabilidade de alcançarmos a AGI até 2041
- 90% de probabilidade de alcançarmos a AGI até 2164
Em uma previsão anterior de 2022, a equipe estimou uma chance de 32% de AGI em 20 anos (até ~2042) e 73% até 2100, ambas inferiores às suas projeções atuais.12
Mercado Manifold
Até abril de 2026, mais de 1.100 contribuidores do mercado Manifold previram o ano em que uma IA passará pela primeira vez em um “teste Turing adversarial de alta qualidade” como 2033.13
Mercado de Previsão Kalshi
Até abril de 2026, contribuidores do mercado de previsão Kalshi afirmam que há uma chance de 55% de que a OpenAI alcance a AGI até 2030.14
Polymarket
Resultados de previsões do Polymarket em abril de 2026 indicaram que há uma probabilidade de 14% de que a OpenAI alcance a AGI até 2027.15
Previsões da Comunidade Metaculus
Até abril de 2026:
- 1.700 participantes responderam à pergunta “Quando o primeiro sistema de IA fracamente geral será concebido, testado e anunciado publicamente?” e a previsão é 20 de abril de 2028.16
- 180 participantes responderam à pergunta “Quando uma IA passará pela primeira vez em um teste Turing longo, informado e adversarial?” e a previsão deles é 25 de agosto de 2029.17
- 1.800 participantes responderam à pergunta “Quando o primeiro sistema de IA geral será concebido, testado e anunciado publicamente?” e a previsão deles é outubro de 2032.18
Em 2022, 81 participantes responderam à pergunta “Quando os principais previsores esperarão que a primeira Inteligência Artificial Geral seja desenvolvida e demonstrada?” e a previsão deles foi 2035.19
Insights de empreendedores de IA & pesquisadores individuais
Empreendedores de IA também estão fazendo estimativas sobre quando alcançaremos a singularidade, e eles são mais otimistas do que os pesquisadores. Isso é esperado, pois eles se beneficiam do aumento do interesse em IA.
Suas opiniões diferem quanto à velocidade e ao caminho de desenvolvimento. Amodei da Anthropic espera que a AGI chegue a curto prazo devido ao rápido progresso auto-reforçado, enquanto Hassabis da DeepMind vê isso como plausível, mas permanece cauteloso, citando desafios não resolvidos em criatividade científica e auto-aperfeiçoamento autônomo.
Aqui estão as previsões de 15 dos mais proeminentes empreendedores e pesquisadores de IA:
- Shane Legg, cofundador da DeepMind Technologies, define AGI mínima como um agente artificial que pode realizar com confiabilidade toda a gama de tarefas cognitivas que um humano médio consegue fazer, sem falhar de maneiras que nos surpreenderiam se uma pessoa recebesse a mesma tarefa. Sua previsão em janeiro de 2026 é que há uma chance de 50% de a AGI Mínima acontecer até 2028.
- De acordo com Legg, alcançar a AGI mínima não significa que compreendemos totalmente ou podemos reproduzir as formas mais elevadas de inteligência humana, como grandes avanços científicos ou conquistas artísticas. A AGI completa só seria alcançada quando a IA pudesse igualar todo o espectro da cognição humana.20
- Dario Amodei, CEO da Anthropic, expressou forte confiança de que sistemas de nível AGI estão se aproximando a curto prazo no Fórum Econômico Mundial de 2026 em Davos. Ele afirmou que a AGI provavelmente ocorrerá em alguns anos (2027), possivelmente mais cedo do que o amplamente esperado.
- Ele argumenta que avanços rápidos em codificação e automação de pesquisa de IA são centrais, permitindo que sistemas de IA lidem com a maioria das tarefas de engenharia de software de ponta a ponta e acelerem seu próprio desenvolvimento através de loops de feedback.
- Embora reconheça restrições como a disponibilidade de hardware e o tempo de treinamento, ele considera improvável uma linha do tempo muito mais longa e antecipa uma aceleração rápida assim que esses loops amadurecerem.21
- No mesmo evento em 2026, Demis Hassabis, fundador da DeepMind, manteve uma perspectiva mais cautelosa, reiterando uma estimativa de aproximadamente 50% de chance de alcançar a AGI até o final da década (2030).
- Hassabis concorda que o progresso é rápido em domínios verificáveis como codificação e matemática, mas enfatiza que a descoberta científica e o raciocínio criativo permanecem mais difíceis.
- Ele destaca limitações não resolvidas na geração de novas perguntas e teorias e expressa incerteza sobre o auto-aperfeiçoamento totalmente autônomo, particularmente em domínios complexos do mundo real, o que ele acredita tornar as linhas do tempo da AGI menos certas.
- Combinando o progresso da IA em raciocínio, programação e matemática, Eric Schmidt, ex-CEO do Google, afirma que estamos caminhando para a Inteligência Artificial Geral em 3–5 anos (conforme declarado em abril de 2025).22
- Elon Musk espera o desenvolvimento de uma inteligência artificial mais inteligente que o humano mais inteligente até 2026.23
- Em fevereiro de 2025, o empreendedor e investidor Masayoshi Son previu isso em 2-3 anos (ou seja, 2027 ou 2028).
- Em março de 2024, o CEO da Nvidia, Jensen Huang, previu que em cinco anos a IA igualaria ou superaria o desempenho humano em qualquer teste: 2029.24
- Louis Rosenberg, cientista da computação, empreendedor e escritor, até 2030.
- Ray Kurzweil, cientista da computação, empreendedor e autor de 5 best-sellers nacionais, incluindo The Singularity Is Near: Anteriormente 2045,25 , em 2024, 2032.26
- Em 2023, Hinton descobriu que a AGI poderia levar de 5 a 20 anos.27
- Sam Altman, CEO da OpenAI, até 2035. Ele mencionou “alguns milhares de dias” em 2024 em seu blog “The Intelligence Age”.
- Ajeya Cotra, uma pesquisadora de IA, analisou o crescimento da computação de treinamento e estimou uma chance de 50% de que a IA com capacidades semelhantes às humanas surja até 2040.28
- Patrick Winston, professor do MIT e diretor do Laboratório de Inteligência Artificial do MIT de 1972 a 1997, mencionou 2040, enfatizando que, embora seja uma data que ocorreria, é difícil de estimar.
- Jürgen Schmidhuber, cofundador da empresa de IA NNAISENSE e diretor do laboratório suíço de IA IDSIA, até 2050.29
Outros comentários e desenvolvimentos sobre AGI
Painel Presidencial da AAAI sobre o Futuro da Pesquisa em IA
475 respondentes, principalmente da academia (67%) e da América do Norte (53%), foram questionados sobre o progresso na IA. Embora a pesquisa do Painel Presidencial da AAAI 2025 sobre o Futuro da Pesquisa em IA não tenha pedido uma linha do tempo para a AGI, 76% dos respondentes compartilharam que a ampliação das abordagens atuais de IA dificilmente levaria à AGI.30
OpenAI expande suas ambições em robótica
OpenAI está aumentando seu foco em robótica como parte de seu objetivo de avançar a inteligência artificial geral. A empresa está contratando especialistas em sistemas de robôs humanoides e formando uma equipe para projetar algoritmos que ajudem os robôs a aprender e agir independentemente no mundo físico.
Isso marca uma mudança em relação ao foco anterior da OpenAI em modelos de linguagem e imagem. A empresa agora visa conectar o raciocínio avançado com a interação física, sugerindo que vê a robótica como um passo essencial para testar e alcançar a AGI.
Contexto e implicações
Após encerrar sua primeira equipe de robótica por volta de 2020, a OpenAI está retornando ao desenvolvimento ativo na área. Contratações recentes e parcerias potenciais apontam para um esforço renovado para construir robôs capazes de aprendizado e manipulação no mundo real.
Ao combinar modelos de IA de larga escala com dados sensoriais, a OpenAI visa criar sistemas que possam raciocinar e operar fora de ambientes digitais. O recrutamento de especialistas em robótica humanoide também indica objetivos de longo prazo que vão além da automação e caminham para robôs que possam trabalhar com segurança ao lado de pessoas.31
Relatório da Microsoft sobre experimentos iniciais com GPT-4
A Microsoft Research estudou uma versão inicial do GPT-4 da OpenAI em 2023. O relatório afirmou que ele mostrou maior inteligência geral do que modelos de IA anteriores, desempenhando-se em nível humano em áreas como matemática, codificação e direito. Isso gerou um debate sobre se o GPT-4 era uma forma preliminar de inteligência artificial geral. 32
Relatório "The road to artificial general intelligence" do MIT
O relatório “The road to artificial general intelligence” de agosto de 2025 antecipa que sistemas iniciais semelhantes à AGI poderiam começar a surgir entre 2026 e 2028, mostrando raciocínio de nível humano em domínios específicos, capacidades multimodais em texto, áudio e interfaces físicas, e autonomia limitada direcionada a objetivos.
O relatório combina previsões agregadas e sugere uma probabilidade de 50% de que vários marcos generalizados, como transferência de conhecimento e raciocínio amplo, sejam alcançados até 2028.
Projeções de longo alcance estimam que as máquinas podem superar o desempenho humano em todas as tarefas economicamente valiosas por volta de 2047, dependendo de avanços na eficiência do compute, avanços algorítmicos e aprendizado autônomo.33
AI Frontiers sobre probabilidades de AGI
Adam Khoja e Laura Hiscott da AI Frontiers, uma plataforma para debates e diálogos de IA, estimam uma probabilidade de 50% de alcançar a AGI até 2028 e uma probabilidade de 80% até 2030, usando sua definição quantitativa de AGI.34
Khoja e Hiscott avaliam o progresso em direção à inteligência artificial geral usando uma definição desenvolvida por Khoja, Dan Hendrycks e seus coautores.35 Seu framework mede dez capacidades cognitivas e atribui ao GPT-4 uma pontuação de 27% e ao GPT-5 uma pontuação de 57%. Isso indica que os modelos atuais estão aproximadamente na metade do caminho para o limiar de AGI definido.
Khoja e Hiscott argumentam que as discussões tradicionais sobre as linhas do tempo da AGI carecem de precisão porque dependem de definições inconsistentes. Seu framework padronizado visa criar clareza identificando pontos fortes e fracos específicos nos modelos atuais. Eles observam que a leitura, a escrita, a matemática e o conhecimento geral atendem ou superam as linhas de base humanas e não são mais fatores limitantes.
Os autores destacam lacunas remanescentes no raciocínio visual, física intuitiva, processamento auditivo, velocidade dependente de percepção e memória de trabalho visual e auditiva. Eles relatam melhorias rápidas em benchmarks como SPACE e MindCube e sugerem que essas lacunas podem provavelmente ser resolvidas por meio de pesquisa incremental contínua. Eles também observam que as alucinações continuam sendo uma preocupação, mas são tratáveis dadas as diferenças de desempenho entre os modelos líderes.
De acordo com Khoja, Hiscott e Hendrycks, o obstáculo remanescente mais significativo é o aprendizado contínuo e o armazenamento de memória de longo prazo. Os sistemas atuais não conseguem reter informações entre sessões, e resolver essa limitação exigirá pelo menos um avanço significativo. No entanto, os autores enfatizam que os principais laboratórios de IA estão agora priorizando esta área.
Aprendendo com o excesso de otimismo passado nas previsões de IA
Lembre-se de que os pesquisadores de IA foram excessivamente otimistas anteriormente. Exemplos incluem:
- Geoff Hinton afirmou em 2016 que não precisaríamos de radiologistas até 2021 ou 2026. Até agora, a radiologia não foi totalmente automatizada, e os hospitais precisam de milhares deles.36
- O pioneiro da IA Herbert A. Simon em 1965: “as máquinas serão capazes, em vinte anos, de fazer qualquer trabalho que um homem possa fazer”.37
- O Computador de Quinta Geração do Japão em 1980 tinha uma linha do tempo de dez anos com objetivos como “manter conversas casuais”.38
Essa experiência histórica contribuiu para que a maioria dos cientistas atuais evitasse prever a AGI em prazos ousados como 10-20 anos, mas isso mudou com a ascensão da IA generativa.
Entenda o que é a singularidade
A inteligência artificial nos assusta e nos intriga. Quase toda semana, há um novo susto de IA nas notícias, como desenvolvedores com medo do que criaram ou desligando bots porque eles se tornaram inteligentes demais.39
A maioria desses mitos resulta de pesquisas mal interpretadas por pessoas fora dos campos de IA e GenAI. Algumas partes interessadas afirmam temer a IA porque podem lucrar com mais regulamentação, ou isso pode lhes trazer mais atenção.
O maior medo sobre a IA é a singularidade (também chamada de Inteligência Artificial Geral ou AGI), que é um evento que se espera que traga um aumento rápido na inteligência das máquinas. Isso é esperado quando um sistema combina o pensamento de nível humano com a velocidade sobre-humana e uma memória quase perfeita e rapidamente acessível. De acordo com alguns especialistas, a singularidade também implica a consciência da máquina.
Tal máquina poderia se auto-aperfeiçoar e superar as capacidades humanas. Mesmo antes de a inteligência artificial ser um tópico de pesquisa da ciência da computação, escritores de ficção científica como Asimov estavam preocupados com isso. Eles estavam concebendo mecanismos (ou seja, as Leis da Robótica de Asimov) para garantir a benevolência das máquinas inteligentes, o que é mais comumente chamado de pesquisa de alinhamento hoje.
Por que especialistas acreditam que a AGI é inevitável: Principais argumentos e evidências
Alcançar a AGI parece uma previsão ousada, mas parece um objetivo bastante razoável quando você considera que a inteligência humana é fixa e a inteligência das máquinas está crescendo. É apenas uma questão de tempo até que as máquinas nos superem, a menos que haja algum limite rígido para a inteligência delas. Ainda não encontramos tal limite.
A inteligência humana é fixa, a menos que de alguma forma fundamos nossas capacidades cognitivas com as máquinas. A startup de renda neural de Elon Musk visa fazer isso, mas a pesquisa sobre interfaces cérebro-computador está em estágios iniciais.40
A inteligência das máquinas depende de algoritmos, poder de processamento e dados.
- O poder de processamento tem crescido a uma taxa exponencial à medida que o investimento flui para P&D e centros de dados.
- Até agora, temos sido bons em fornecer às máquinas os algoritmos necessários para usar seu poder de processamento e memória de forma eficaz.
- Finalmente, empresas e indivíduos estão criando dados digitais a uma taxa crescente. Dados sintéticos podem corromper modelos ou aumentar modelos. Mesmo que os corrompam, é um problema solucionável graças à curadoria de dados.
Conquistas recentes
Opus 4.6
Em fevereiro de 2026, o Claude lançou o Opus 4.6 com uma janela de contexto de 1M e resultados de benchmark impressionantes.
A Anthropic também está focando em casos de uso lançando plugins como o Claude legal, que são arquivos markdown para ajudar os modelos a navegar em domínios específicos. Embora isso tenha sido uma adição menor ao Claude, desencadeou uma liquidação no mercado de ações, incluindo SaaS e software jurídico.41
Gemini Deep Think
Outro exemplo é o modo Gemini deep think da DeepMind, que alcançou desempenho de medalha de ouro na Olimpíada Internacional de Matemática de 2025, marcando um passo significativo na capacidade da IA de raciocinar sobre problemas complexos.
Operando inteiramente em linguagem natural, o Gemini resolveu cinco de seis problemas dentro da janela oficial de 4,5 horas da competição, produzindo provas claras e legíveis por humanos sem depender de ferramentas simbólicas formais.
Suas capacidades derivam de várias inovações: o modo Deep Think permite a exploração paralela de caminhos de solução, o treinamento incorpora provas matemáticas de nível especialista e o aprendizado por reforço refina sua abordagem estratégica.
Esse progresso demonstra que a IA avançada pode agora se envolver em raciocínios sofisticados e interpretáveis em um nível que antes era reservado aos melhores solucionadores de problemas humanos.42
Opencrawl
Opencrawl é um projeto de código aberto para transformar LLMs em agentes. Tornou-se um dos projetos mais populares no GitHub e deu início ao ecossistema opencrawl.
Crescimento exponencial
A seguir, apresentamos uma analogia útil para entender o crescimento exponencial. Embora as máquinas possam não parecer altamente inteligentes agora, elas podem se tornar bastante inteligentes em um futuro próximo.
Crescimento recente nas capacidades de computação de IA
Figura 2: A figura mostra um resumo dos padrões de crescimento de compute observados em várias categorias: modelos notáveis gerais (superior esquerdo), modelos de fronteira (superior direito), modelos de linguagem líderes (inferior esquerdo) e principais modelos de empresas líderes (inferior direito).
Os recursos computacionais para o treinamento de modelos de IA aumentaram significativamente, com cerca de dois terços do desempenho dos modelos de linguagem atribuídos a melhorias na escala do modelo.
De acordo com um artigo de 2024,43 o crescimento do uso de compute no treinamento de modelos de IA tem aumentado consistentemente cerca de 4-5x por ano, refletindo tendências em modelos notáveis, modelos de fronteira e empresas de topo como OpenAI, Google DeepMind e Meta AI (Veja a Figura 2).
No entanto, a taxa de crescimento desacelerou um pouco desde 2018, especialmente para modelos de fronteira, mas os modelos de linguagem experimentaram um crescimento mais rápido de até 9x/ano até meados de 2020, após o qual o ritmo caiu para 4-5x/ano.
A tendência geral para o crescimento do compute de IA permanece forte, e as projeções sugerem que a taxa de crescimento de 4-5x/ano continuará, a menos que ocorram novos desafios ou avanços. Esse crescimento também é visto nas estratégias de escala das principais empresas de IA, embora existam pequenas variações entre elas.
Apesar de uma desaceleração no crescimento dos modelos de fronteira, os modelos maiores lançados hoje, como GPT-4 e Gemini Ultra, alinham-se estreitamente com a trajetória de crescimento prevista.
Se a computação clássica desacelerar, a computação quântica pode preencher a lacuna
A computação clássica nos levou longe. Algoritmos de IA em computadores clássicos podem exceder o desempenho humano em tarefas específicas, como jogar xadrez ou Go. Por exemplo, o AlphaGo Zero venceu o AlphaGo por 100-0. O AlphaGo já havia vencido os melhores jogadores da terra.44 No entanto, estamos nos aproximando dos limites de quão rápidos os computadores clássicos podem ser.
A lei de Moore, baseada na observação de que o número de transistores em um circuito integrado denso dobra aproximadamente a cada dois anos, implica que o custo da computação cai pela metade aproximadamente a cada 2 anos.
Por outro lado, a maioria dos especialistas acredita que a lei de Moore chegará ao fim durante esta década.45 No entanto, há esforços para continuar melhorando a eficiência da computação.
Por exemplo, a DeepSeek surpreendeu os mercados globais com seu model R1, entregando um model de raciocínio a uma fração do custo de seus concorrentes, como a OpenAI.
Computação Quântica, que ainda é uma tecnologia emergente, pode contribuir para a redução dos custos de computação após o fim da lei de Moore. A Computação Quântica baseia-se na avaliação de diferentes estados ao mesmo tempo, enquanto os computadores clássicos podem calcular um estado por vez.
A natureza única da computação quântica pode ser usada para treinar eficientemente redes neurais, atualmente a arquitetura de IA mais popular em aplicações comerciais. Algoritmos de IA executados em computadores quânticos estáveis têm a chance de desbloquear a singularidade.
Por que alguns especialistas acreditam que não alcançaremos a AGI?
Existem 3 argumentos principais contra a importância ou a existência da AGI. Nós os examinamos junto com suas refutações comuns:
1- A inteligência é multidimensional
Portanto, a AGI será diferente, não necessariamente superior à inteligência humana.
Isso é verdade, e a inteligência humana também é diferente da inteligência animal. Alguns animais são capazes de feitos mentais, como esquilos que lembram onde esconderam centenas de nozes por meses.
Yann LeCun, um dos pioneiros do deep learning, acredita que devemos aposentar a palavra AGI e focar em alcançar a “inteligência de máquina avançada”.46 Ele argumenta que a mente humana é especializada e a inteligência é uma coleção de habilidades e a capacidade de aprender novas habilidades. Cada humano pode realizar apenas um subconjunto de tarefas de inteligência humana.47
Também é difícil entender o nível de especialização da mente humana, como humanos, já que não conhecemos e não podemos experimentar todo o espectro da inteligência.
Em áreas onde as máquinas exibiram inteligência sobre-humana, os humanos foram capazes de vencê-las aproveitando fraquezas específicas da máquina. Por exemplo, um amador foi capaz de vencer um programa de Go que está no mesmo nível de programas de Go que venceram campeões mundiais, estudando e aproveitando as fraquezas do programa.48
2- A inteligência não é a solução para todos os problemas
Ciência
Mesmo a melhor máquina analisando dados existentes pode não ser capaz de encontrar a cura para o câncer. Ela pode precisar realizar experimentos no mundo real e analisar resultados para descobrir novos conhecimentos na maioria das áreas.
Mais inteligência pode levar a experimentos melhor projetados e gerenciados, permitindo mais descobertas por experimento. A história da produtividade de pesquisa deve demonstrar isso, mas os dados são bastante ruidosos e há retornos decrescentes na pesquisa. Encontramos problemas mais difíceis, como a física quântica, à medida que resolvemos problemas mais simples, como o movimento Newtoniano.
Finalmente, previsões perfeitas podem não ser possíveis em alguns domínios devido à aleatoriedade inerente ou imensurabilidade desse domínio. Por exemplo, mesmo com uma riqueza de dados, não somos capazes de prever certos resultados de vida com um alto nível de precisão.49
Economia
A inteligência não é o único ingrediente para a geração de valor econômico.
- O QI, a medida de inteligência humana mais comumente aceita, não está correlacionado com o patrimônio líquido para valores acima de ~$40k (Veja a imagem abaixo):
Figura 3: O QI está correlacionado com a riqueza em baixos níveis de riqueza.50
Figura 4: O QI não está correlacionado com a riqueza se focarmos apenas em altos níveis de riqueza. Este gráfico é o mesmo que o anterior, exceto que os níveis de renda líquida abaixo de $40k foram ocultados51
- No mundo dos investimentos, a inteligência da equipe de uma empresa não é considerada um fator de competitividade. Assume-se implicitamente que outras empresas também podem identificar estratégias inteligentes. Os investidores preferem negócios com vantagens desleais que incluam propriedade intelectual, escala, acesso exclusivo a recursos, etc. A maioria dessas vantagens desleais não pode ser replicada apenas com inteligência.
3- A AGI não é possível porque não é possível modelar o cérebro humano
Teoricamente, é possível modelar qualquer máquina computacional, incluindo o cérebro humano, com uma máquina relativamente simples que possa realizar computações básicas e acessar memória e tempo infinitos. Esta é a hipótese de Church-Turing universalmente aceita, apresentada em 1950. No entanto, como afirmado, ela requer certas condições difíceis: tempo e memória infinitos.
A maioria dos cientistas da computação acredita que modelar o cérebro humano levará menos do que tempo e memória infinitos. No entanto, não há uma maneira matematicamente sólida de provar essa crença, porque ainda não entendemos o cérebro bem o suficiente para caracterizar precisamente seu poder computacional. Teremos que construir tal máquina!
Como podemos alcançar a AGI?
Figura 5: O horizonte de tempo dos modelos de IA de fronteira ao longo do tempo mostra as tarefas mais longas (em tempo equivalente humano) que cada model pode completar com 50% de confiabilidade.52
A figura acima mostra como as capacidades dos agentes de IA melhoraram ao longo do tempo, medindo as tarefas mais longas que eles podem completar com 50% de confiabilidade.
A principal descoberta é que a extensão da tarefa que os modelos de fronteira podem lidar cresceu exponencialmente, dobrando aproximadamente a cada sete meses. Isso significa que modelos mais novos, como Claude 3.7 Sonnet e o o1, podem agora completar tarefas que levariam a um humano quase uma hora, enquanto modelos mais antigos como o GPT-2 mal conseguiam lidar com tarefas mais longas do que alguns segundos.
A região sombreada reflete a incerteza estatística, mas a tendência geral é confiável. Se esse padrão continuar, os sistemas de IA poderão em breve lidar com tarefas complexas que levam dias ou até semanas para os humanos, marcando um passo significativo em direção a uma autonomia mais ampla e capacidades semelhantes à AGI.
Escalabilidade como um caminho para a AGI
Líderes de laboratórios de IA de fronteira acreditam que a escalabilidade das abordagens atuais baseadas em transformers pode gerar a AGI, o que alimenta suas previsões sobre alcançar a AGI em alguns anos.
Um caminho proposto para a AGI é a ampliação de arquiteturas existentes, como transformers, aumentando o compute e os dados, enquanto outro é o desenvolvimento de abordagens inteiramente novas.
Em apoio à hipótese de escalabilidade, um relatório de 2024 da Epoch AI analisou se o crescimento do compute de IA pode continuar até 2030.
Eles identificaram quatro restrições principais: disponibilidade de energia, capacidade de fabricação de chips, escassez de dados e latência de processamento (Veja a Figura 6).
Apesar desses desafios, eles argumentam que é viável treinar modelos que exijam até 2e29 FLOPs até o final da década, assumindo investimentos significativos em infraestrutura.
Tais avanços poderiam produzir sistemas de IA muito mais capazes do que os modelos de última geração de hoje, como o GPT-4, nos aproximando da AGI.53
Figura 6: O gráfico ilustra os limites superiores estimados para o compute de treinamento de IA até 2030 sob restrições principais: energia, produção de chips, dados e latência, com medianas variando de 2e29 a 3e31 FLOP.
Além da escalabilidade: O caso para novas arquiteturas
No entanto, cientistas de IA influentes como Yann LeCun e Richard Sutton acreditam que a escalabilidade de large language models não levará à inteligência de nível humano.54 55 Eles acreditam que novas arquiteturas ou abordagens são necessárias para a AGI.
Adicionar como fonte preferencialComo podemos medir se alcançamos a AGI?
Large language models estão superando novos benchmarks a cada semana, mas avaliar LLMs é difícil devido a problemas como envenenamento de dados e a falta de uma definição científica aceita para a inteligência de nível humano.
Essas preocupações são amplificadas por insights de pesquisas recentes56 que destacam que a escalabilidade de LLMs não é um caminho sustentável para um melhor desempenho, especialmente em domínios científicos e de alto risco. Os autores mostram que:
- LLMs exibem expoentes de escalabilidade muito baixos (~0,1), o que significa que mesmo aumentos massivos em dados ou compute geram ganhos minúsculos de precisão.
- O poder de aprendizado dos LLMs deriva de sua capacidade de produzir saídas não Gaussianas, mas isso também leva a acúmulos de erros e previsões frágeis.
- Métricas tradicionais, como funções de perda, são pseudo-métricas que não se alinham com a verdadeira convergência ou precisão.
- Um regime de IA Degenerativa (DAI) pode surgir quando modelos, treinados em dados sintéticos ou repetitivos, acumulam erros mais rápido do que podem ser corrigidos.
Essas descobertas questionam a confiabilidade dos benchmarks padrão e ressaltam a necessidade de estratégias de avaliação mais diversas e evolutivas.
Métricas antigas, como o teste Turing, não são páreo para as máquinas de hoje, e novas métricas como ARC-AGI podem carecer das capacidades de generalização de benchmarks mais amplos.
Métricas emergentes como ARC-AGI visam testar a abstração e a generalização, mas ainda podem carecer de resiliência à contaminação de dados ou ao overfitting.
Além disso, como o artigo destaca, mesmo pontuações de perda “boas” podem mascarar catástrofes de informação subjacentes devido a flutuações não Gaussianas e instabilidades de treinamento.57
Como podemos acompanhar o progresso dos LLMs?
Existem algumas abordagens de benchmarking para superar esses desafios:
- Atualizar frequentemente as perguntas do benchmark. Exemplo da vida real: LiveBench
- Usar conjuntos de holdout para evitar o envenenamento de dados: os benchmarks da AIMultiple, como o AGI benchmark ou ARC-AGI.
Quais são as abordagens além do benchmarking para determinar a AGI?
Existem indicadores potencialmente fortes, mas atrasados, do impacto da IA, que podem ajudar a identificar a AGI.
Crescimento econômico
O CEO da Microsoft, Satya Nadella, afirma que um crescimento de 10% no mundo desenvolvido indicaria a AGI.58 . No entanto, seu incentivo é ter uma definição atrasada de AGI, já que a AGI encerraria a parceria exclusiva da OpenAI e da Microsoft.59
Desemprego
Esperamos que a AGI
- Reduza o emprego de colarinho branco para 10% do seu pico global quando medido como uma parcela de pessoas na força de trabalho. Isso deve acontecer se a parcela de renda do trabalho diminuir drasticamente devido à IA.
- Enquanto o crescimento do PIB continua
Em um mundo onde as máquinas são mais inteligentes e eficientes que os humanos, não seria racional pagar um humano para sentar na frente de um computador. Portanto, esperamos que o emprego de colarinho branco despenque, enquanto os humanos continuam a prosperar em empregos no mundo físico.
As agências governamentais que coletam estatísticas de trabalho classificam os empregos em categorias detalhadas, tornando o emprego de colarinho branco uma métrica fácil de acompanhar.
Coletamos dados do Bureau of Labor Statistics dos EUA sobre o emprego de colarinho branco abrangendo de 2019 a 2024.60 Para clareza e consistência, categorizamos os trabalhadores de colarinho branco nos seguintes grupos ocupacionais:
- Ocupações de Arquitetura e Engenharia
- Ocupações de Operações Comerciais e Financeiras
- Ocupações Computacionais e Matemáticas
- Praticantes de Saúde e Ocupações Técnicas
- Ocupações Jurídicas
- Ocupações de Ciências da Vida, Físicas e Sociais
- Ocupações de Gestão
- Ocupações de Apoio Administrativo e de Escritório
- Ocupações de Vendas e Relacionadas
De acordo com nossa análise, a proporção de trabalhadores de colarinho branco em relação ao emprego total flutuou entre 45% e 48% durante este período.
Embora essa faixa sugira estabilidade relativa na parcela do emprego de colarinho branco até agora, ela não é indicativa de uma tendência de longo prazo, e esperamos mudanças mais pronunciadas nos próximos anos, à medida que a automação e a adoção de IA acelerem. Para mais previsões sobre como a IA mudará o emprego de colarinho branco e de nível iniciante, leia perda de empregos por IA.
Devemos sequer visar a AGI?
Existem cientistas da computação que alertam que focar na AGI como o objetivo final pode distorcer a pesquisa em IA.61 As críticas incluem: criar uma ilusão de consenso, overfitting de benchmarks, ignorar valores sociais incorporados, deixar que o hype dite as prioridades, acumular “dívida de generalidade” (adiar questões fundamentais de design) e excluir comunidades marginalizadas e pesquisadores com poucos recursos.
Objetivos específicos, mensuráveis e transparentes seriam melhores para o progresso da IA do que um objetivo vagamente definido como a AGI.
Raciocínio matemático por trás das previsões de AGI
O raciocínio matemático é central para compreender e prever as linhas do tempo da AGI. Muitas projeções baseiam-se em tendências quantificáveis e modelos formais que orientam as expectativas sobre quando a inteligência artificial geral poderá surgir.
Leis de escalabilidade e crescimento de compute
Um componente chave do raciocínio matemático envolve a análise das leis de escalabilidade. Elas mostram que o desempenho do model melhora previsivelmente com mais dados, parâmetros e compute.
O crescimento anual consistente de 4–5× no compute de treinamento de IA apoia as previsões de que a AGI pode ser alcançável em uma ou duas décadas, assumindo que as tendências atuais continuem.
Essas projeções baseiam-se em ajustes empíricos a curvas de desempenho e extrapolações, sustentadas por relações de lei de potência, um conceito central na modelagem matemática.
Previsão probabilística
Os pesquisadores também aplicam métodos probabilísticos às previsões de AGI. As pesquisas frequentemente pedem aos especialistas que estimem a probabilidade de a AGI ser desenvolvida até anos específicos, produzindo distribuições de probabilidade cumulativa.
Por exemplo, uma probabilidade de 50% até 2040 reflete o consenso sob incerteza, impulsionado por atualizações no estilo Bayesiano com base no progresso observado da IA.
Essa abordagem de raciocínio matemático captura a incerteza do especialista sem exigir datas precisas, permitindo a revisão contínua à medida que novos dados ficam disponíveis.
Fundamentos teóricos
Essas previsões baseiam-se em elementos teóricos do raciocínio matemático, incluindo a tese de Church-Turing, que implica que a cognição humana pode ser simulada por máquinas, e conceitos como a complexidade de Kolmogorov, que relacionam a inteligência à compressibilidade da informação.
Embora tais teorias não garantam a AGI, elas fornecem um framework para pensar sobre sua possibilidade e os requisitos computacionais envolvidos.
Mais sobre Inteligência Artificial Geral
David Silver, Principal Research Scientist na Google DeepMind
Ele explica que a Inteligência Artificial Geral (AGI) refere-se a sistemas de IA capazes de aprender e se destacar em uma ampla gama de tarefas; muito como os humanos que podem se tornar especialistas em diversos campos, como ciência, música ou esportes.
Ao contrário da IA estreita, limitada a uma única função, a AGI aspira espelhar a adaptabilidade humana e a capacidade geral de resolução de problemas.
Ele observa que, embora a AGI seja um objetivo de longo prazo, alcançar a verdadeira inteligência de nível humano provavelmente exigirá vários avanços e se desenvolverá gradualmente ao longo do tempo (Veja o vídeo abaixo).
Ilya Sutskever, cofundador e Chief Scientist da OpenAI
Na palestra do TED “The Exciting, Perilous Journey Toward AGI”, ele explora o rápido progresso em direção à Inteligência Artificial Geral (AGI).
Ele prevê que a AGI poderia surgir nos próximos 5 a 10 anos, embora reconheça a incerteza nesta linha do tempo.
Sutskever destaca tanto o imenso potencial quanto os riscos profundos da AGI, enfatizando a necessidade de alinhar seu desenvolvimento com os valores humanos. Apesar dos desafios, ele está otimista de que a humanidade possa guiar com segurança esta tecnologia poderosa (Veja o vídeo abaixo).
Ray Kurzweil, cientista da computação e empreendedor
Ele reflete sobre mais de seis décadas de progresso da IA, traçando a capacidade da humanidade de construir ferramentas que aprimoram a inteligência, desde implementos primitivos até large language models.
Ele também prevê que a Inteligência Artificial Geral chegará até 2029, levando à singularidade tecnológica até 2045. Ele destaca avanços exponenciais no poder de computação, medicina e biotecnologia.
Ele também prevê avanços como curas geradas por IA, ensaios clínicos digitais e a velocidade de escape da longevidade, onde o progresso científico poderia estender a vida indefinidamente (Veja o vídeo abaixo).
Yann LeCun, receptor do prêmio Turing
Veja por que LLMs não podem nos dar inteligência de nível humano e as abordagens de IA mais recentes para chegar lá:
Previsões de inteligência artificial geral
Metodologia do gráfico de singularidade
Para plotar o ano esperado do desenvolvimento da AGI no gráfico, utilizamos a média ponderada das previsões para cada ano dentro de cada categoria. Por exemplo, se houvesse múltiplas previsões de Mercado de Previsão em 2022, calculamos a média ponderada delas e plotamos esse valor.
- Para previsões individuais, incluímos previsões de 18 especialistas em IA.
- Para previsões científicas, coletamos resultados de pesquisas de 10 artigos revisados por pares que fornecem linhas do tempo para a AGI.
- Para resultados de mercados de previsão, incluímos previsões de 3 mercados de previsão (Manifold, Kalshi e Metaculus).
Conclusão
As previsões para a AGI mudaram notavelmente nos últimos anos. Enquanto pesquisas anteriores situavam sua chegada mais perto de 2060, previsões recentes, especialmente de empreendedores, sugerem que ela poderia surgir já entre 2026 e 2035.
Essa mudança é impulsionada por avanços rápidos em large language models e pelo crescente poder de compute. No entanto, apesar desses ganhos, a IA de hoje ainda carece da flexibilidade geral e da autonomia associadas à inteligência de nível humano.
Os especialistas permanecem divididos sobre como a AGI será alcançada; alguns acreditam que a escalabilidade das arquiteturas atuais será suficiente, enquanto outros argumentam que novos métodos são necessários.
Os principais desafios incluem altas demandas de recursos, benchmarks incertos e preocupações éticas não resolvidas. A AGI pode estar mais próxima do que nunca, mas sua chegada ainda depende tanto de avanços técnicos quanto de uma supervisão cuidadosa.
Perguntas frequentes
A singularidade é um evento hipotético que se espera que resulte em um aumento rápido na inteligência das máquinas.
Para a singularidade, precisamos de um sistema que combine o pensamento de nível humano com a velocidade sobre-humana e uma memória quase perfeita e rapidamente acessível.
A singularidade também deve resultar na consciência da máquina, mas como a consciência não é bem definida, não podemos ser precisos sobre isso. Tal sistema poderia se auto-aperfeiçoar e superar as capacidades humanas.
Embora a singularidade seja um termo relativamente antigo, AGI e, especialmente, superinteligência são usados com mais frequência hoje em dia para descrever o mesmo evento.
A Inteligência Artificial Geral (AGI) refere-se a um tipo de IA que pode compreender, aprender e aplicar conhecimento em uma ampla gama de tarefas intelectuais em um nível igual ou superior ao dos humanos.
Ao contrário da IA estreita, que é projetada para tarefas específicas, como tradução de idiomas ou reconhecimento de imagens, a AGI possuiria capacidades cognitivas generalizadas, permitindo-lhe raciocinar, planejar e adaptar-se em situações desconhecidas.
O desenvolvimento da AGI continua sendo um objetivo de pesquisa significativo e objeto de debate ético e filosófico.
A superinteligência denota um intelecto que supera significativamente as melhores mentes humanas em praticamente todos os domínios, incluindo criatividade, resolução de problemas e compreensão social.
Ela representa um estágio além da AGI, onde um sistema artificial poderia superar os humanos em qualquer busca intelectual significativa.
O conceito levanta considerações críticas sobre controle, segurança e as implicações de longo prazo para o papel da humanidade em um mundo dominado por uma inteligência superior.
A Inteligência de Máquina Avançada (AMI) envolve sistemas de IA competentes que se aproximam ou alcançam uma inteligência quase geral.
Embora possam ainda não possuir a flexibilidade completa e a autoconsciência associadas à AGI, os sistemas AMI demonstram raciocínio, aprendizado e adaptabilidade avançados em diversas tarefas.
O termo é frequentemente usado para denotar sistemas de IA que excedem as capacidades atuais de IA estreita, mas permanecem abaixo do limiar da inteligência geral completa.
Cite este benchmark
Escolha o formato adequado ao local onde você vai publicar. Colar a versão com link no seu CMS preserva o backlink.
@misc{dilmegani2026,
author = {Dilmegani, Cem and Ermut, Sıla},
title = {{AGI/Singularidade: 9.800 Previsões Analisadas}},
year = {2026},
month = may,
howpublished = {\url{https://aimultiple.com/artificial-general-intelligence-singularity-timing}},
note = {AIMultiple. Acessado em 22 Maio 2026}
}Resultados e carimbos de data/hora de 204 pontos de dados. Baixe os dados utilizados neste artigo como um arquivo ZIP contendo 2 arquivos CSV e um README.
Links de referência
Comentários 12
Compartilhe suas ideias
Seu endereço de e-mail não será publicado. Todos os campos são obrigatórios. Os comentários são deixados em seu idioma original.
Does anyone know when this article was first published? I want to do a comparison of predictions vs reality for a project.
Hi Harper. The article was first published in mid-2017. But it's undergone constant updates since then to reflect the latest developments. Good luck with your project and let us know if we can help further!
I think we are far away from the point of singularity. It is not only that intelligence is multi dimensional, but also what is deemed as being intelligent (e.g., IQ, EQ) changes with time. People also change with time. So what is that point of singularity may change.
Hello, Yuvan. Thank you for your feedback.
Hello, Achieving the singularity from where we are now is relatively a simple jump, it is just time and advancements combined with a team somewhere who is dedicated to it and has the money to pull it off. The missing part of the equation would be asking the question "what is consciousness?" and understanding that. Then, understanding how to model that with non-biological machinery even at small levels, like modeling the consciousness of an amoeba or more advanced things like snakes and squirrels. Then if we know for certain what it is and how to model it, just run an adaptive evolution algorithm on itself, modeling out all of the processes in human cognition until it can beat them everywhere. Then, allow it to simply rebuild itself to continuously improve. The problem currently preventing this, is that human beings have no idea what consciousness is at all. It is a great mystery. One person thinks it is in the brain. Another thinks the brain is like a tuning fork, channeling the consciousness from somewhere else. It is a great mystery in science. When this problem is solved, then machine consciousness can be built most likely, depending on what it actually is. If consciousness is something weird, such as "human beings have spirits in other dimensions that are planned for their bodies by a supreme being. The brain creates a quantum resonant frequency that links it together with this already conscious entity, and then several universes are interacting simultaneously to create the actual experience of being self aware and sentient" well then, it will be very difficult to design a machine that does that same thing. It is more likely that we figure out how to model the resonance in the brain and then transfer an already existing consciousness of an animal or a human into a machine and keep it going, if that even makes any sense at all. However, maybe that's not how it works, and it is something simple like the holographic connection of energy patterns fluctuating in the mind - this can be modeled and a machine can be built that does these sorts of things with much more efficiency. Right now the mystery of the problem is consciousness itself. Hope that helps. I really enjoyed the robot soccer tournament. I also feel like a superhero at soccer now.
It's becoming clear that with all the brain and consciousness theories out there, the proof will be in the pudding. By this I mean, can any particular theory be used to create a human adult level conscious machine. My bet is on the late Gerald Edelman's Extended Theory of Neuronal Group Selection. The lead group in robotics based on this theory is the Neurorobotics Lab at UC at Irvine. Dr. Edelman distinguished between primary consciousness, which came first in evolution, and that humans share with other conscious animals, and higher order consciousness, which came to only humans with the acquisition of language. A machine with primary consciousness will probably have to come first. The thing I find special about the TNGS is the Darwin series of automata created at the Neurosciences Institute by Dr. Edelman and his colleagues in the 1990's and 2000's. These machines perform in the real world, not in a restricted simulated world, and display convincing physical behavior indicative of higher psychological functions necessary for consciousness, such as perceptual categorization, memory, and learning. They are based on realistic models of the parts of the biological brain that the theory claims subserve these functions. The extended TNGS allows for the emergence of consciousness based only on further evolutionary development of the brain areas responsible for these functions, in a parsimonious way. No other research I've encountered is anywhere near as convincing. I post because on almost every video and article about the brain and consciousness that I encounter, the attitude seems to be that we still know next to nothing about how the brain and consciousness work; that there's lots of data but no unifying theory. I believe the extended TNGS is that theory. My motivation is to keep that theory in front of the public. And obviously, I consider it the route to a truly conscious machine, primary and higher-order. My advice to people who want to create a conscious machine is to seriously ground themselves in the extended TNGS and the Darwin automata first, and proceed from there, by applying to Jeff Krichmar's lab at UC Irvine, possibly. Dr. Edelman's roadmap to a conscious machine is at https://arxiv.org/abs/2105.10461
I think Patrick Winston was joking when he said 20 years. From the linked quote: "I was recently asked a variant on this question. People have been saying we will have human-level intelligence in 20 years for the past 50 years. My answer: I’m ok with it. It will be true eventually." "Forced into a corner, with a knife at my throat, I would say 20 years, and I say that fully confident that it will be true eventually."
Great point! We should have read the source more carefully. I tried to explain his point better in the article.
I have the impression that the nerds that make this kind of prediction (replicate human brain) know a whole lot about computer programming but are ignorant about neuroscience/psychology. We are nor even scratching the surface about primary phenomenon, such as counsciousness / unconsciousness. How do you claim that you can replicate something that we are still far from understanding how it works?
Thank you for the comment. True, better understanding of the mind would help AGI research.
mmm... I'm not sure we can reach to this point: "benevolence of intelligent machines" Emotions and Feelings are there to guide our actions, to improve ourselves and to make a better world, can we make a machine to feel guilt of being smarter than us??
Saying human intelligence is fixed ignores that as we learn more about how the human brain works we may learn how to expand its capability's ie through some form of enhanced learning, targeted drugs, gene therapy, electro stimulation and not just direct brain computer connections being the only potential for doing this. More so currently hampered by our lack of understanding even the language you use has an effect on your cognitive ability's its one of the reasons deaf people were called dumb was the occurrence of language deprivation and how it negatively effected neurodevelopment it was a major problem when deaf children were forced to lip read instead of using sign language . But we will need more powerful AIs to achieve an understanding of our brains
People who say AGI will be here in 2060 are idiots and don't understand the flow of technology you'll see
@Vyn What do you mean? Do you mean to say it will take way before or way after 2060?
Thanks! I'll be quite happy if I get to see 2060
Intelligent doesn't solve our all problems maybe yes but certainly its essential and more intelligent you are faster you solve problems. If you are a chimp you can not even pour water to a glass. You do not even know what glass is used for. Yes if you are human being you still need to get up and grab the glass but intellegence is essential. I do not think human brain is impossible to create in a lab. I think earth is a lab. Anything found in nature can be replicate in the lab.
if P=NP then the singularity may happen also. Saying the human brain is impossible to recreate I dont agree with, but to say its intractable probably is approximately true. So P=NP, if you could solve that mystery (which is the millenial prize funnily) with an intractable calculation, that could make all the magic happen as well.
Thanks for the comment. Most computer scientists working on AI or machine learning would agree that it is possible to replicate human brain's capabilities.
The claim that "humans contribute most to the biomass" on the planet is likely to be wrong. Check out this paper for a careful estimation: https://www.pnas.org/content/115/25/6506
Thank you! That was insightful. Biology is not my strong suit, I should stick to computer science.
@AIMultiple Humble response, and great article. Thanks a ton :)
@B Thanks!