AGI/Singularidade: 10.000 Previsões Analisadas
A inteligência artificial geral (AGI) ocorre quando um sistema de IA iguala as capacidades cognitivas humanas em todas as tarefas. Analisamos 10.000 previsões de pesquisadores de IA, de grandes empreendedores e da comunidade sobre o cronograma da AGI:
A AGI/singularidade acontecerá? A AGI é inevitável segundo a maioria dos especialistas em IA.
Quando alcançaremos a AGI? Entre o final da década de 2020 e o início da década de 2030. O cronograma da AGI encurtou após o lançamento do ChatGPT.
Cronograma da Inteligência Artificial Geral
O cronograma acima descreve o ano previsto da singularidade, com base em percepções obtidas de 10 pesquisas com mais de 6.000 participantes, respostas de 18 pesquisadores de IA e percepções da comunidade provenientes dos mercados de previsão Manifold, Kalshi e Metaculus.
Como se pode ver acima, os respondentes das pesquisas esperam cada vez mais que a singularidade ocorra mais cedo do que se previa anteriormente. Conheça os métodos que usamos para criar este gráfico.
Previsões de AGI dos mercados de previsão
Para as previsões de mercados de previsão e percepções da comunidade, usamos:
3.900 previsões do Manifold, Kalshi e Metaculus, que são mercados de previsão on-line onde os participantes negociam a probabilidade e o momento de eventos futuros por lucro ou reputação. Também incluímos a data média de previsão obtida desses mercados de previsão.
Outras perguntas importantes sobre AGI
Qual é o nosso status atual em relação à AGI?
Embora a IA estreita supere os humanos em tarefas específicas, uma máquina inteligente ainda não existe. Alguns pesquisadores afirmam que os grandes modelos de linguagem demonstram capacidades generalistas emergentes.1 De acordo com nosso benchmark de AGI, as máquinas estão longe de gerar valor econômico de forma autônoma.
Como podemos alcançar a AGI?
Seja adicionando mais computação e dados por trás das arquiteturas atuais, como os 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 este cronograma ou ver a tabela completa.
Resultados das principais pesquisas com pesquisadores de IA
Examinamos os resultados de 10 pesquisas envolvendo mais de 6.000 pesquisadores e especialistas em IA, nas 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 algumas estimando que a superinteligência poderá ocorrer dentro de algumas décadas.
Pesquisa de Especialistas sobre o Progresso em IA
Em outubro de 2023, a IA Impacts entrevistou 2.778 pesquisadores de IA sobre quando a AGI poderia ser alcançada. Esta pesquisa incluiu perguntas quase idênticas às da pesquisa de 2022. Com base nos resultados da Pesquisa de Especialistas sobre o Progresso em IA, estima-se que a inteligência de máquina de alto nível ocorra até 2040.2
Pesquisa de Especialistas sobre o Progresso em IA
A pesquisa foi conduzida com 738 especialistas que publicaram nas conferências NIPS e ICML de 2021. Com base nos resultados da Pesquisa de Especialistas sobre o Progresso em IA, os especialistas estimam que há uma 50% chance de a inteligência de máquina de alto nível ocorrer até 2059.3
Os especialistas também previram que o custo de hardware, o progresso algorítmico e o trabalho em conjuntos de treinamento seriam os maiores fatores no progresso da IA.
Pesquisa de Previsão do Progresso da IA
Baobao Zhang entrevistou 296 especialistas em IA em 2019, pedindo-lhes que previssem quando as máquinas superariam o trabalhador humano mediano 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 Cronograma da AGI
As previsões da Pesquisa de Especialistas em IA sobre o Cronograma 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 Potencial Impacto da IA no Deslocamento de Trabalho
Ross Gruetzemacher entrevistou 165 especialistas em IA em 2018 para avaliar o potencial impacto da IA no deslocamento de trabalho. Os especialistas foram solicitados a estimar quando os sistemas de IA seriam capazes de executar 99% das tarefas pelas quais os humanos são pagos atualmente, em um nível igual ou superior ao de um humano médio.
Com base nos resultados da pesquisa sobre o Potencial Impacto da IA no Deslocamento de Trabalho, metade dos respondentes previu que esse marco seria alcançado antes de 2068, enquanto 75% previram que isso 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 entrevistados.7
Com base nos resultados da pesquisa das conferências NIPS e ICML, os especialistas estimam uma 50% de chance de a AGI ocorrer até 2060. Dito isso, há uma diferença significativa de opinião baseada na geografia:
- Os respondentes asiáticos esperam a AGI em 30 anos,
- Os norte-americanos esperam-na em 74 anos.
Algumas funções de trabalho significativas que se espera que sejam automatizadas até 2030 incluem atendentes de call center, condução de caminhões e vendas no varejo.
Pesquisa sobre o Progresso Futuro em 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 em 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 em Inteligência Artificial:
- Os especialistas em IA entrevistados 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 de forma relativamente rápida, com um prazo que varia de apenas 2 anos (improvável, probabilidade de 10%) 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 sobre conquistas específicas da IA: passar no teste de Turing, concluir o terceiro ano, realizar descobertas científicas dignas de um Nobel e alcançar inteligência sobre-humana.
Figura 1: Resultados da pesquisa distribuída aos participantes da conferência Artificial General Intelligence 2009 (AGI-09).
Percepções da comunidade
Também avaliamos as previsões do Samotsvety Forecasting e da comunidade Metaculus sobre AGI, e os resultados dos mercados de previsão do Manifold, Kalshi e Polymarket:
Samotsvety Forecasting
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 nas principais plataformas e torneios de previsão (por exemplo, INFER/CSET-Foretell), onde sua precisão é medida por meio de métricas formais de pontuação, como o escore de Brier.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 32% de chance de AGI dentro de 20 anos (até ~2042) e 73% até 2100, ambas menores do que suas projeções atuais.12
Mercado Manifold
Em agosto de 2026, mais de 1.100 contribuidores do Manifold Market previram o ano em que uma IA passará pela primeira vez em um “teste de Turing adversarial e de alta qualidade” como 2034.13
Mercado de Previsão Kalshi
Em agosto de 2026, os contribuidores do mercado de previsão Kalshi afirmam que há uma chance de 45% de a OpenAI alcançar a AGI até 2030.14
Polymarket
Os resultados das previsões do Polymarket em agosto de 2026 indicaram que há uma probabilidade de 9% de a OpenAI alcançar a AGI até 2027.15
Previsões da Comunidade Metaculus
Em agosto de 2026:
- 1.800 participantes responderam à pergunta “Quando o primeiro sistema de IA geral fraca será concebido, testado e anunciado publicamente?” e a previsão é 2028.16
- 180 participantes responderam à pergunta “Quando uma IA passará pela primeira vez em um teste de Turing longo, informado e adversarial?” e a previsão deles é 2029.17
- 1.900 participantes responderam à pergunta “Quando o primeiro sistema de IA geral será concebido, testado e anunciado publicamente?” e a previsão deles é 2033.18
Em 2022, 81 participantes responderam à pergunta “Quando os principais previsores esperam que a primeira Inteligência Artificial Geral seja desenvolvida e demonstrada?” e a previsão deles foi 2035.19
Percepções de empreendedores de IA e pesquisadores individuais
Os 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.
As opiniões deles divergem sobre a velocidade e o caminho de desenvolvimento. Amodei, da Anthropic, espera que a AGI chegue em curto prazo devido ao rápido progresso autorreforçado, enquanto Hassabis, da DeepMind, considera isso plausível, mas permanece cauteloso, citando desafios não resolvidos em criatividade científica e autoaperfeiçoamento 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 executar de forma confiável 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 de que há uma chance de 50% de a AGI Mínima acontecer até 2028.
- De acordo com Legg, alcançar a AGI mínima não significa que entendemos completamente ou podemos reproduzir as formas mais altas de inteligência humana, como grandes descobertas científicas ou realizações artísticas. A AGI Plena seria alcançada quando a IA pudesse igualar todo o espectro da cognição humana.20
- Dario Amodei, CEO da Anthropic, expressou forte confiança de que os sistemas de nível AGI estão se aproximando em curto prazo no Fórum Econômico Mundial de Davos em 2026. Ele afirmou que a AGI provavelmente ocorrerá dentro de alguns anos (2027), possivelmente mais cedo do que o amplamente esperado.
- Ele argumenta que os rápidos avanços na codificação e na automação da pesquisa de IA são centrais, permitindo que os sistemas de IA tratem a maioria das tarefas de engenharia de software de ponta a ponta e acelerem seu próprio desenvolvimento por meio de ciclos de feedback.
- Embora reconheça restrições como a disponibilidade de hardware e o tempo de treinamento, ele considera improvável um cronograma mais longo e antecipa uma aceleração rápida assim que esses ciclos amadurecerem.21
- No mesmo evento em 2026, Demis Hassabis, fundador da DeepMind, manteve uma perspectiva mais cautelosa, reiterando uma estimativa de cerca de 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 continuam mais difíceis.
- Ele destaca limitações não resolvidas na geração de novas perguntas e teorias e expressa incerteza sobre o autoaperfeiçoamento totalmente autônomo, particularmente em domínios complexos do mundo real, o que, segundo ele, torna os cronogramas da AGI menos certos.
- 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 dentro de 3–5 anos (conforme afirmado em abril de 2025).22
- Elon Musk espera o desenvolvimento de uma inteligência artificial mais inteligente do que o mais inteligente dos humanos 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 dentro de 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 escritor de 5 best-sellers nacionais, incluindo The Singularity Is Near: Anteriormente 2045, em 2024, 2032.25
- Em 2023, Hinton considerou que a AGI poderia levar 5-20 anos.26
- Sam Altman, CEO da OpenAI, até 2035. Ele mencionou “alguns milhares de dias” em 2024 em seu blog “The Intelligence Age”.
- Ajeya Cotra, 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 2040.27
- 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 ocorrerá, é difícil estimar.
- Jürgen Schmidhuber, cofundador da empresa de IA NNAISENSE e diretor do laboratório suíço de IA IDSIA, até 2050.26
Outros comentários e desenvolvimentos sobre AGI
Painel Presidencial da AAAI sobre o Futuro da Pesquisa em IA
475 respondentes, principalmente do meio acadêmico (67%) e da América do Norte (53%), foram questionados sobre o progresso em IA. Embora a pesquisa do Painel Presidencial da AAAI 2025 sobre o Futuro da Pesquisa em IA não tenha perguntado sobre um cronograma para a AGI, 76% dos respondentes afirmaram que o escalonamento das abordagens atuais de IA provavelmente não levaria à AGI.28
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 de forma independente no mundo físico.
Isso marca uma mudança em relação ao foco anterior da OpenAI em modelos de linguagem e imagem. A empresa agora pretende conectar o raciocínio avançado à interação física, sugerindo que vê a robótica como um passo essencial para testar e alcançar a AGI.
Contexto e implicações
Depois de desativar sua primeira equipe de robótica por volta de 2020, a OpenAI está retornando ao desenvolvimento ativo no campo. As contratações recentes e possíveis parcerias apontam para um esforço renovado de construir robôs capazes de aprender e manipular no mundo real.
Ao combinar modelos de IA em grande escala com dados sensoriais, a OpenAI pretende criar sistemas que possam raciocinar e operar fora de ambientes digitais. O recrutamento de especialistas em robótica humanoide também indica metas de longo prazo que vão além da automação e em direção a robôs que possam trabalhar com segurança ao lado das pessoas.29
Relatório da Microsoft sobre os primeiros experimentos com GPT-4
A Microsoft Research estudou uma versão inicial do OpenAI’s GPT-4 em 2023. O relatório afirmou que ele mostrou maior inteligência geral do que os modelos de IA anteriores, com desempenho em nível humano em áreas como matemática, codificação e direito. Isso gerou debate sobre se o GPT-4 era uma forma preliminar de inteligência artificial geral. 30
O relatório “The road to artificial general intelligence” do MIT
O relatório “The road to artificial general intelligence” de agosto de 2025 prevê que os primeiros sistemas semelhantes à AGI possam começar a surgir entre 2026 e 2028, demonstrando raciocínio em nível humano em domínios específicos, capacidades multimodais em texto, áudio e interfaces físicas, e autonomia limitada orientada 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 prazo estimam que as máquinas podem superar o desempenho humano em todas as tarefas economicamente valiosas por volta de 2047, dependendo de avanços em eficiência computacional, descobertas algorítmicas e aprendizado autônomo.31
IA Frontiers sobre probabilidades de AGI
Adam Khoja e Laura Hiscott, da IA Frontiers, uma plataforma de debates e diálogos sobre IA, estimam uma 50% de probabilidade de alcançar a AGI até 2028 e uma 80% de probabilidade até 2030, usando sua definição quantitativa de AGI.32
Khoja e Hiscott avaliam o progresso em direção à inteligência artificial geral usando uma definição desenvolvida por Khoja, Dan Hendrycks e seus coautores.33 A estrutura deles mede dez habilidades 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 até o limiar definido de AGI.
Khoja e Hiscott argumentam que as discussões tradicionais sobre os cronogramas da AGI carecem de precisão porque se baseiam em definições inconsistentes. A estrutura padronizada deles pretende criar clareza ao identificar pontos fortes e fracos específicos nos modelos atuais. Eles observam que leitura, escrita, matemática e conhecimento geral atingem ou superam as linhas de base humanas e não são mais fatores limitantes.
Os autores destacam lacunas restantes em raciocínio visual, física intuitiva, processamento auditivo, velocidade dependente da percepção e memória de trabalho visual e auditiva. Eles relatam rápida melhoria em benchmarks como SPACE e MindCube e sugerem que essas lacunas provavelmente podem 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 principais modelos.
De acordo com Khoja, Hiscott e Hendrycks, o obstáculo restante 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 agora estão priorizando essa área.
Aprendendo com o excesso de otimismo passado nas previsões de IA
Tenha em mente que os pesquisadores de IA já foram excessivamente otimistas antes. 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.34
- O pioneiro da IA Herbert A. Simon em 1965: “as máquinas serão capazes, dentro de vinte anos, de fazer qualquer trabalho que um homem pode fazer.”35
- O Computador de Quinta Geração do Japão em 1980 tinha um cronograma de dez anos com metas como “manter conversas informais”.36
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 o surgimento da IA generativa.
Entenda o que é singularidade
A inteligência artificial nos assusta e intriga. Quase toda semana, há um novo susto com IA no noticiário, como desenvolvedores com medo do que criaram ou desligando bots porque eles ficaram inteligentes demais.37
A maioria desses mitos resulta de pesquisas mal interpretadas por quem está 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 rápido aumento da inteligência das máquinas. Isso é esperado quando um sistema combina pensamento em nível humano com velocidade sobre-humana e memória quase perfeita e rapidamente acessível. Segundo alguns especialistas, a singularidade também implica consciência da máquina.
Essa máquina poderia se autoaperfeiçoar e superar as capacidades humanas. Mesmo antes de a inteligência artificial ser um tópico de pesquisa em ciência da computação, escritores de ficção científica como Asimov se preocupavam com isso. Eles estavam criando mecanismos (ou seja, as Leis da Robótica de Asimov) para garantir a benevolência das máquinas inteligentes, o que hoje é mais comumente chamado de pesquisa de alinhamento.
Por que especialistas acreditam que a AGI é inevitável: Principais argumentos e evidências
Alcançar a AGI parece uma previsão ousada, mas parece uma meta bastante razoável quando se considera que a inteligência humana é fixa e a inteligência das máquinas está crescendo. É uma questão de tempo até as máquinas nos superarem, a menos que haja algum limite rígido para a inteligência delas. Ainda não encontramos esse limite.
A inteligência humana é fixa, a menos que de alguma forma fundamos nossas capacidades cognitivas com as máquinas. A startup de neural lace de Elon Musk pretende fazer isso, mas a pesquisa sobre interfaces cérebro-computador está em estágios iniciais.38
A inteligência de máquina 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 data centers.
- 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 em ritmo crescente. Os dados sintéticos podem corromper modelos ou aumentá-los. Mesmo que os corrompam, é um problema solucionável graças à curadoria de dados.
Conquistas recentes
Opus 4.6
Em fevereiro de 2026, a Claude lançou o Opus 4.6 com uma janela de contexto de 1M e resultados impressionantes em benchmarks.
A Anthropic também está focando em casos de uso ao lançar plugins como o Claude legal, que são arquivos markdown para ajudar os modelos a navegar em domínios específicos. Embora tenha sido uma adição menor ao Claude, isso desencadeou uma liquidação no mercado de ações, incluindo SaaS e software jurídico.39
Gemini Deep Think
Outro exemplo é o modo deep think do Gemini 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 dos seis problemas dentro da janela oficial de competição de 4.5-hour, produzindo provas claras e legíveis por humanos sem depender de ferramentas simbólicas formais.
Suas capacidades decorrem de várias inovações: o modo Deep Think permite a exploração paralela de caminhos de solução, o treinamento incorpora provas matemáticas de nível especializado e o aprendizado por reforço refina sua abordagem estratégica.
Esse progresso demonstra que a IA avançada agora pode realizar raciocínios sofisticados e interpretáveis em um nível antes reservado aos melhores solucionadores de problemas humanos.40
Opencrawl
Opencrawl é um projeto de código aberto para transformar LLMs em agentes. Ele se tornou um dos projetos mais populares no GitHub e deu início ao ecossistema opencrawl.
Crescimento exponencial
A seguir está uma analogia útil para entender o crescimento exponencial. Embora as máquinas possam não parecer muito inteligentes agora, elas podem se tornar bastante inteligentes no futuro próximo.
Crescimento recente nas capacidades de computação de IA
Figura 2: A figura mostra um resumo dos padrões de crescimento de computação observados em várias categorias: modelos notáveis em geral (canto superior esquerdo), modelos de fronteira (canto superior direito), principais modelos de linguagem (canto inferior esquerdo) e os principais modelos das empresas líderes (canto inferior direito).
Os recursos computacionais para treinar modelos de IA aumentaram significativamente, com cerca de dois terços do desempenho dos modelos de linguagem atribuídos a melhorias na escala dos modelos.
De acordo com um artigo de 2024,41 o crescimento do uso de computação no treinamento de modelos de IA aumentou consistentemente em cerca de 4-5x por ano, refletindo tendências em modelos notáveis, modelos de fronteira e empresas líderes como OpenAI, Google DeepMind e Meta IA (ver Figura 2).
No entanto, a taxa de crescimento desacelerou um pouco desde 2018, especialmente para os modelos de fronteira, mas os modelos de linguagem experimentaram um crescimento mais rápido de até 9x/ano até meados de 2020, após o que o ritmo desacelerou para 4-5x/ano.
A tendência geral de crescimento da computação de IA permanece forte, e as projeções sugerem que a taxa de crescimento de 4-5x/ano continuará, a menos que novos desafios ou avanços ocorram. Esse crescimento também é visto nas estratégias de escalonamento das principais empresas de IA, embora existam pequenas variações entre elas.
Apesar da desaceleração no crescimento dos modelos de fronteira, os modelos maiores lançados hoje, como GPT-4 e Gemini Ultra, alinham-se de perto com a trajetória de crescimento prevista.
Se a computação clássica desacelerar, a computação quântica poderá preencher a lacuna
A computação clássica nos levou bastante longe. Os 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 do planeta.42 No entanto, estamos nos aproximando dos limites de velocidade dos computadores clássicos.
A lei de Moore, baseada na observação de que o número de transistores em um circuito integrado denso dobra 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 está chegando ao fim nesta década.43 No entanto, há esforços para continuar melhorando a eficiência da computação.
Por exemplo, a DeepSeek surpreendeu os mercados globais com seu modelo R1 ao entregar um modelo de raciocínio a uma fração do custo de seus concorrentes, como a OpenAI.
Computação Quântica, que ainda é uma tecnologia emergente, pode contribuir para reduzir os 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 com eficiência 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 três grandes argumentos contra a importância ou a existência da AGI. Nós os examinamos juntamente 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 proezas 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 nos concentrar em alcançar a “inteligência de máquina avançada”.44 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 um subconjunto das tarefas de inteligência humana.45
Também é difícil entender o nível de especialização da mente humana, como humanos, pois não conhecemos e não podemos experienciar todo o espectro da inteligência.
Em áreas onde as máquinas exibiram inteligência sobre-humana, os humanos conseguiram vencê-las aproveitando fraquezas específicas das máquinas. Por exemplo, um amador conseguiu vencer um programa de Go que está no mesmo nível de programas de Go que venceram campeões mundiais, estudando e explorando as fraquezas do programa.46
2- A inteligência não é a solução para todos os problemas
Ciência
Mesmo a melhor máquina que analisa dados existentes pode não conseguir encontrar uma cura para o câncer. Pode ser necessário realizar experimentos no mundo real e analisar resultados para descobrir novos conhecimentos na maioria das áreas.
Mais inteligência pode levar a experimentos mais bem projetados e gerenciados, permitindo mais descobertas por experimento. A história da produtividade da pesquisa deveria 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 à imensurabilidade desse domínio. Por exemplo, mesmo com uma riqueza de dados, não conseguimos prever certos resultados da vida com um alto nível de precisão.47
Economia
A inteligência não é o 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 ~$40k (veja a imagem abaixo):
Figura 3: O QI está correlacionado com a riqueza em níveis baixos de riqueza.48
Figura 4: O QI não está correlacionado com a riqueza se focarmos em níveis altos de riqueza. Este gráfico é o mesmo que o anterior, exceto que os níveis de renda líquida abaixo de US$ 40k foram ocultados.
- No mundo dos investimentos, a inteligência da equipe de uma empresa não é considerada um fator de competitividade. Supõe-se implicitamente que outras empresas também podem identificar estratégias inteligentes. Os investidores preferem negócios com vantagens desleais que incluem propriedade intelectual, escala, acesso exclusivo a recursos, etc. A maioria dessas vantagens desleais não pode ser replicada apenas pela 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 pode realizar computações básicas e acessar memória e tempo infinitos. Esta é a hipótese de Church-Turing, universalmente aceita e formulada em 1950. No entanto, como dito, exige 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 com precisão seu poder computacional. Teremos de construir essa máquina!
Como podemos alcançar a AGI?
Figura 5: O horizonte de tempo dos modelos de IA de fronteira mostra as tarefas mais longas (em tempo equivalente humano) que cada modelo pode concluir com 50% de confiabilidade.49
A figura acima mostra como as capacidades dos agentes de IA melhoraram, medindo as tarefas mais longas que eles podem concluir com 50% de confiabilidade.
A principal descoberta é que o tamanho das tarefas que os modelos de fronteira conseguem realizar cresceu exponencialmente, dobrando aproximadamente a cada sete meses. Isso significa que modelos mais novos, como o Claude 3.7 Sonnet e o o1, já conseguem concluir tarefas que levariam quase uma hora para um humano, enquanto modelos mais antigos, como o GPT-2, mal conseguiam lidar com tarefas com mais de 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 humanos, marcando um passo significativo em direção a uma autonomia mais ampla e a capacidades semelhantes às da AGI.
Escalonamento como caminho para a AGI
Os líderes dos laboratórios de IA de fronteira acreditam que o escalonamento das atuais abordagens baseadas em transformers pode gerar a AGI, o que alimenta suas previsões sobre alcançar a AGI em poucos anos.
Um caminho proposto para a AGI é escalar as arquiteturas existentes, como os transformers, aumentando a computação e os dados, enquanto outro é desenvolver abordagens totalmente novas.
Em apoio à hipótese de escalonamento, um relatório de 2024 da Epoch IA analisou se o crescimento da computação de IA pode continuar até 2030.
Eles identificaram quatro grandes restrições: disponibilidade de energia, capacidade de fabricação de chips, escassez de dados e latência de processamento (ver 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.
Esses avanços poderiam produzir sistemas de IA muito mais capazes do que os modelos de última geração atuais, como o GPT-4, aproximando-nos da AGI.50
Figura 6: O gráfico ilustra os limites superiores estimados para a computação de treinamento de IA até 2030 sob as principais restrições, energia, produção de chips, dados e latência, com medianas variando de 2e29 a 3e31 FLOP.
Além do escalonamento: o argumento em favor de novas arquiteturas
No entanto, influentes cientistas de IA como Yann LeCun e Richard Sutton acreditam que escalar grandes modelos de linguagem não levará à inteligência em nível humano.51 52 Eles acreditam que novas arquiteturas ou abordagens são necessárias para a AGI.
Como podemos medir se alcançamos a AGI?
Os grandes modelos de linguagem estão superando novos benchmarks toda semana, mas avaliar LLMs é difícil devido a problemas como envenenamento de dados e à falta de uma definição científica aceita para a inteligência em nível humano.
Essas preocupações são amplificadas por percepções de pesquisas recentes53 que destacam que escalar LLMs não é um caminho sustentável para um melhor desempenho, especialmente em domínios científicos e de alto risco. Os autores mostram que:
- Os LLMs exibem expoentes de escalonamento muito baixos (~0.1), o que significa que mesmo aumentos massivos de dados ou computação geram ganhos de precisão minúsculos.
- O poder de aprendizado dos LLMs decorre da capacidade deles de produzir saídas não gaussianas, mas isso também leva a acúmulos de erros e previsões frágeis.
- Métricas tradicionais, como funções de perda, são pseudométricas que não se alinham com convergência ou precisão reais.
- 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 em evolução.
Métricas antigas, como o teste de 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 o ARC-AGI visam testar abstração e generalização, mas ainda podem carecer de resiliência à contaminação de dados ou ao overfitting.
Além disso, como destaca o artigo, mesmo pontuações de perda “boas” podem mascarar catástrofes de informação subjacentes devido a flutuações não gaussianas e instabilidades de treinamento.53
Como podemos acompanhar o progresso dos LLMs?
Existem algumas abordagens de benchmarking para superar esses desafios:
- Atualizar frequentemente as perguntas dos benchmarks. Exemplo real: LiveBench
- Usar conjuntos de validação para evitar envenenamento de dados: benchmarks da AIMultiple, como o benchmark de AGI ou ARC-AGI.
Quais são as abordagens além do benchmarking para determinar a AGI?
Existem indicadores potencialmente fortes, mas defasados, 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.54 . No entanto, seu incentivo é ter uma definição tardia de AGI, uma vez que a AGI encerraria a parceria exclusiva entre OpenAI e Microsoft.55
Desemprego
Esperamos que a AGI
- Reduzir o emprego de colarinho branco para 10% de seu pico global quando medido como uma parcela das pessoas na força de trabalho. Isso deve ocorrer se a participação da renda do trabalho cair drasticamente devido à IA.
- Enquanto o crescimento do PIB continuar
Em um mundo onde as máquinas são mais inteligentes e eficientes do que os humanos, não seria racional pagar um humano para ficar sentado diante de um computador. Portanto, esperamos que o emprego de colarinho branco despenca 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 U.S. Bureau of Labor Statistics sobre o emprego de colarinho branco entre 2019 e 2024.56 Para clareza e consistência, categorizamos os trabalhadores de colarinho branco nos seguintes grupos ocupacionais:
- Ocupações de Arquitetura e Engenharia
- Ocupações de Negócios e Operações Financeiras
- Ocupações de Computação e Matemática
- Ocupações Técnicas e de Profissionais de Saúde
- 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% nesse período.
Embora esse intervalo sugira relativa estabilidade na participação do emprego de colarinho branco até agora, ele não é indicativo de uma tendência de longo prazo, e esperamos mudanças mais pronunciadas nos próximos anos, à medida que a automação e a adoção da IA acelerem. Para mais previsões sobre como a IA mudará o emprego de colarinho branco e de nível inicial, leia sobre perda de empregos por IA.
Devemos sequer almejar a AGI?
Existem cientistas da computação que alertam que focar na AGI como objetivo final pode distorcer a pesquisa em IA.57 As críticas incluem: criar uma ilusão de consenso, fazer overfitting de benchmarks, ignorar valores sociais incorporados, deixar o hype ditar prioridades, acumular “dívida de generalidade” (adiar questões-chave de projeto) e excluir comunidades marginalizadas e pesquisadores com poucos recursos.
Metas específicas, mensuráveis e transparentes seriam melhores para o progresso da IA do que uma meta vagamente definida como a AGI.
Adicionar como fonte preferencialRaciocínio matemático por trás das previsões de AGI
O raciocínio matemático é central para entender e prever os cronogramas da AGI. Muitas projeções baseiam-se em tendências quantificáveis e modelos formais que orientam as expectativas sobre quando a inteligência artificial geral pode surgir.
Leis de escalonamento e crescimento computacional
Um componente-chave do raciocínio matemático envolve analisar as leis de escalonamento. Elas mostram que o desempenho do modelo melhora de forma previsível com mais dados, parâmetros e computação.
O crescimento anual consistente de 4–5× na computação de treinamento de IA apoia as previsões de que a AGI pode ser alcançável dentro de 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 que especialistas 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 consenso sob incerteza, impulsionado por atualizações ao estilo bayesiano com base no progresso observado da IA.
Essa abordagem de raciocínio matemático captura a incerteza dos especialistas sem exigir datas precisas, permitindo revisões contínuas 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 complexidade de Kolmogorov, que relacionam a inteligência à compressibilidade da informação.
Embora tais teorias não garantam a AGI, elas fornecem uma estrutura para pensar sobre sua possibilidade e os requisitos computacionais envolvidos.
Mais sobre a Inteligência Artificial Geral
David Silver, Cientista de Pesquisa Principal no Google DeepMind
Ele explica que a Inteligência Artificial Geral (AGI) se refere a sistemas de IA capazes de aprender e se destacar em uma ampla gama de tarefas, como humanos que podem se tornar especialistas em campos diversos como ciência, música ou esportes.
Diferentemente da IA estreita, limitada a uma única função, a AGI aspira a espelhar a adaptabilidade humana e a capacidade geral de resolução de problemas.
Ele observa que, embora a AGI seja uma meta de longo prazo, alcançar uma verdadeira inteligência em nível humano provavelmente exigirá vários avanços e se desenvolverá gradualmente (veja o vídeo abaixo).
Ilya Sutskever, cofundador e Cientista-Chefe da OpenAI
Na palestra TED “The Exciting, Perilous Journey Toward AGI”, ele explora o rápido progresso em direção à Inteligência Artificial Geral (AGI).
Ele prevê que a AGI pode surgir nos próximos 5 a 10 anos, embora reconheça incerteza nesse cronograma.
Sutskever destaca tanto o imenso potencial quanto os riscos profundos da AGI, enfatizando a necessidade de alinhar seu desenvolvimento aos valores humanos. Apesar dos desafios, ele está otimista de que a humanidade pode guiar com segurança essa tecnologia poderosa (veja o vídeo abaixo).
Ray Kurzweil, cientista da computação e empreendedor
Ele reflete sobre mais de seis décadas de progresso em IA, traçando a capacidade da humanidade de construir ferramentas que ampliam a inteligência, desde implementos primitivos até grandes modelos de linguagem.
Ele também prevê que a Inteligência Artificial Geral chegará até 2029, levando à singularidade tecnológica até 2045. Ele destaca avanços exponenciais em poder de computação, medicina e biotecnologia.
Ele também prevê avanços como curas geradas por IA, ensaios clínicos digitais e velocidade de escape da longevidade, em que o progresso científico poderia estender a vida indefinidamente (veja o vídeo abaixo).
Yann LeCun, ganhador do prêmio Turing
Veja por que os LLMs não podem nos dar inteligência em nível humano e as abordagens de IA mais recentes para chegar lá:
Previsões sobre inteligência artificial geral
Metodologia do gráfico de singularidade
Para traçar no gráfico o ano esperado do desenvolvimento da AGI, usamos a média ponderada das previsões de cada ano dentro de cada categoria. Por exemplo, se havia várias previsões do 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 cronogramas para a AGI.
- Para os resultados dos 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 perto de 2060, previsões recentes, especialmente de empreendedores, sugerem que ela pode surgir já entre 2026 e 2035.
Essa mudança é impulsionada por avanços rápidos em grandes modelos de linguagem e pelo crescente poder computacional. No entanto, apesar desses ganhos, a IA atual ainda carece da flexibilidade geral e da autonomia associadas à inteligência em nível humano.
Os especialistas permanecem divididos sobre como a AGI será alcançada; alguns acreditam que escalar as arquiteturas atuais será suficiente, enquanto outros argumentam que novos métodos são necessários.
Os principais desafios incluem alta demanda de recursos, benchmarks pouco claros e preocupações éticas não resolvidas. A AGI pode estar mais próxima, mas sua chegada ainda depende de avanços técnicos e de supervisão cuidadosa.
Perguntas frequentes
Singularidade é um evento hipotético que se espera que resulte em um rápido aumento da inteligência das máquinas.
Para a singularidade, precisamos de um sistema que combine pensamento em nível humano com velocidade sobre-humana e memória quase perfeita e rapidamente acessível.
A singularidade também deveria resultar em consciência da máquina, mas como a consciência não é bem definida, não podemos ser precisos sobre isso. Esse sistema poderia se autoaperfeiçoar e superar as capacidades humanas.
Embora singularidade seja um termo relativamente antigo, AGI e, especialmente, superinteligência são usados com mais frequência para descrever o mesmo evento.
A Inteligência Artificial Geral (AGI) se refere a um tipo de IA que pode entender, aprender e aplicar conhecimento em uma ampla gama de tarefas intelectuais em um nível igual ou superior ao dos humanos.
Diferentemente da IA estreita, projetada para tarefas específicas, como tradução de idiomas ou reconhecimento de imagens, a AGI possuiria habilidades cognitivas generalizadas, permitindo-lhe raciocinar, planejar e se adaptar em situações desconhecidas.
O desenvolvimento da AGI continua sendo uma meta de pesquisa significativa e objeto de debate ético e filosófico.
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, no qual um sistema artificial poderia superar os humanos em todos os empreendimentos intelectuais significativos.
O conceito levanta considerações críticas sobre controle, segurança e as implicações de longo prazo para o papel da humanidade em um mundo dominado por inteligência superior.
A Inteligência de Máquina Avançada (AMI) envolve sistemas de IA competentes que se aproximam ou alcançam uma inteligência quase geral.
Embora ainda possam não possuir a flexibilidade completa e a autoconsciência associadas à AGI, os sistemas de AMI demonstram raciocínio avançado, aprendizado e adaptabilidade em tarefas diversas.
O termo é frequentemente usado para denotar sistemas de IA que excedem as atuais capacidades da 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: 10.000 Previsões Analisadas}},
year = {2026},
month = aug,
howpublished = {\url{https://aimultiple.com/artificial-general-intelligence-singularity-timing}},
note = {AIMultiple. Acessado em 13 Agosto 2026}
}Resultados e carimbos de data/hora de 219 pontos de dados. Baixe os dados utilizados neste artigo como um arquivo ZIP contendo 2 arquivos CSV e um README.
Links de referência
O trabalho de Cem foi citado por publicações globais de destaque, incluindo Business Insider, Forbes, Washington Post, empresas globais como Deloitte, HPE e ONGs como o Fórum Econômico Mundial e organizações supranacionais como a Comissão Europeia.
Ao longo de sua carreira, Cem atuou como consultor de tecnologia, comprador de tecnologia e empreendedor de tecnologia. Ele aconselhou empresas em suas decisões de tecnologia na McKinsey & Company e na Altman Solon por mais de uma década. Ele também publicou um relatório da McKinsey sobre digitalização.
Ele liderou a estratégia de tecnologia e aquisições de uma empresa de telecomunicações, reportando-se ao CEO. Ele também liderou o crescimento comercial da empresa de tecnologia profunda Hypatos, que alcançou uma receita recorrente anual de 7 dígitos e uma avaliação de 9 dígitos partindo do zero em 2 anos. O trabalho de Cem na Hypatos foi coberto por publicações de tecnologia de destaque como TechCrunch e Business Insider.
Cem fala regularmente em conferências internacionais de tecnologia. Ele se formou na Universidade Bogazici como engenheiro de computação e possui um MBA pela Columbia Business School.
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!