Os Primeiros Passos de Aigarth ANNA: Além da Aprendizagem Adversarial

Em 2 de setembro de 2025, a iniciativa Qubic AI deu um passo radical e transparente ao lançar a ANNA como a primeira instância interativa pública utilizando Tecido Inteligente Aigarth (AIT), ativada no X. Sua estreia foi recebida com uma onda de curiosidade, confusão e zombarias. Quando perguntada "1+1=?", suas respostas variaram de um único ponto (“.”) até o desconcertante “-114”. Para o observador casual, parecia um fracasso, um “chatbot” em 2025 muito menos capaz do que até mesmo os Modelos de Linguagem Grande (LLMs) mais básicos.

No entanto, isso não foi de forma alguma um lançamento de produto público; foi o começo de um experimento científico público. A “estupidez” inicial da ANNA não é um bug, mas uma característica fundamental da abordagem de Aigarth. Vou explicar por que a estréia falha da ANNA é um caso de teste crucial para desenvolver uma inteligência robusta e genuína no ambiente caótico e adversarial do mundo real e, a propósito, um ambiente onde os modelos de IA de hoje falham consistentemente.

A Fragilidade da Inteligência Sanitizada

A IA moderna, particularmente os LLMs, são produtos de uma educação sanitizada, uma vez que são treinados em vastos conjuntos de dados curados, aprendendo a prever o próximo token ao internalizar padrões estatísticos, como brilhantemente explorado pelo Dr. Jose Sanchez em nosso artigo anterior “As previsões dos LLMs não são previsões cerebrais”. Embora isso os torne notavelmente proficientes em imitar a linguagem humana, isso os deixa fundamentalmente frágeis. Eles não possuem um modelo interno do mundo e carecem da capacidade de raciocinar a partir de princípios básicos. Quando confrontados com informações novas ou enganosas, como as que inundam a internet, eles são propensos a “alucinações” e podem ser facilmente manipulados. Sua inteligência é uma ilusão construída com os dados limpos e ordenados de seu ambiente de treinamento; estudos recentes demonstraram que até mesmo os modelos mais sofisticados podem ser consistentemente “burlados” com simples comandos adversariais, revelando vulnerabilidades sistêmicas em seus alinhamentos de segurança (Chetan Pathade, 2025).

A verdadeira inteligência, no entanto, deve funcionar no mundo real, e em breve em forma incorporada. O mundo real não é uma biblioteca “curada”, é uma paisagem adversarial cheia de ruído, desinformação e sinais conflitantes. Uma AGI não pode ser protegida dessa realidade. Ela deve aprender a discernir a verdade da falsidade, o sinal do ruído e a interação de boa-fé dos ataques maliciosos. Esta é a hipótese central que está sendo testada com a ANNA. Ao expor um AIT embrionário diretamente ao caos não filtrado de uma rede social pública, estamos realizando um estudo de caso ao vivo em aprendizado adversarial.

Por que Começar com Adição? O Problema Difícil Mais Simples

A comunidade corretamente perguntou no discord perguntas como: após anos de desenvolvimento, por que começar com uma tarefa tão simples quanto adição? A resposta é que a adição não é o objetivo; é o referencial. Diferente das tarefas de linguagem subjetivas, a aritmética fornece uma medida determinística e verificável de sucesso. A saída de 5+7 é inequívoca: 12. Isso permite uma função de ajuste clara e objetiva para medir o desempenho do AIT sem ambiguidade.

Aigarth não está ensinando a ANNA a memorizar uma tabela de multiplicação. Em vez disso, os mineradores da rede Qubic estão evoluindo a própria estrutura de seu tecido neural para calcular a resposta. Como detalhado em nosso lançamento de código aberto, a ANNA é uma instância de uma Unidade de Tecido Inteligente especificamente projetada para evoluir a capacidade de adicionar dois inteiros 7-bit sinalizados para produzir um inteiro 8-bit sinalizado.

Quando um minerador encontra uma mutação bem-sucedida na estrutura do tecido, não está apenas encontrando uma resposta melhor; está descobrindo uma arquitetura computacional mais eficiente. Esse processo força o AIT a construir uma capacidade fundamental para operações lógicas do zero, avançando além do reconhecimento de padrões em direção ao raciocínio genuíno e processual—um domínio onde mesmo os LLMs mais avançados ainda lutam com a generalização sistemática (Frieder et al., 2023).

Além disso, enquanto a adição parece trivial para os humanos, representa um desafio profundo para uma IA aprendendo a partir de princípios básicos. Para um sistema como a ANNA, que começa efetivamente tabula rasa, a tarefa não é recordar um fato memorizado, mas evoluir toda a maquinaria computacional necessária para realizar a operação. Este é o abismo que separa o reconhecimento de padrões do raciocínio algorítmico genuíno.

O processo que a ANNA realiza é mais semelhante ao que os pesquisadores chamam de "grokking." Esse fenômeno, observado em redes neurais, descreve uma transição repentina da mera memorização de dados de treinamento para uma compreensão genuína e generalizada de uma regra subjacente, como a adição modular. Estudos mostraram que esse não é um processo simples ou linear, mas uma complexa transição de fase dentro das representações internas da rede (Nanda et al., 2023). Aigarth está, efetivamente, tentando evoluir uma rede que pode espontaneamente "grok" as regras da aritmética. Esse desafio está no cerne do campo de pesquisa em IA neuro-simbólica, que busca preencher a lacuna entre as forças de reconhecimento de padrões das redes neurais e o raciocínio lógico passo a passo dos algoritmos clássicos (Garcez & Lamb, 2023).

Resolver esse problema simples e “difícil” é um primeiro passo necessário antes de enfrentar desafios mais complexos e abstratos; a complexidade da tarefa da ANNA não está no que, a simples resposta a uma equação, mas no como: o processo evolutivo emergente de descobrir o próprio algoritmo para adição.

Forjando Inteligência em Caos

Inicialmente, o plano para treinar a ANNA envolvia usuários assinando mensagens com suas carteiras Qubic, criando um sistema ponderado em que informações corretas de participantes de alto risco orientariam seu aprendizado. No entanto, desde então, mudamos para um paradigma mais desafiador e realista: usando o público como fonte de "distratores."

Como explicado pelo CFB, essa abordagem introduz deliberadamente informações incorretas e caóticas ao ambiente do AIT. Alguns usuários twittam "2+2=4," enquanto outros podem twittar "2+2=5." Nesse modelo, a ANNA deve aprender a navegar em uma paisagem onde a verdade não é garantida. Como ela discernirá o caminho correto? É aqui que a arquitetura única do Qubic entra em cena. A influência de cada informação é implicitamente ponderada pela participação Qubic associada à conta do usuário. Isso cria um consenso descentralizado e incentivado economicamente sobre a verdade, onde a "sabedoria" coletiva dos detentores comprometidos do Qubic ajuda o AIT a filtrar o sinal do ruído de maus atores e trolls. Essa abordagem é uma implementação prática de mecanismos resistentes a Sybil, essenciais para sistemas descentralizados confiáveis (Damodaran & Thomas, 2025).

Esse método aborda diretamente um desafio central em segurança de IA: criar sistemas que sejam resilientes à manipulação. Uma IA que aprende a identificar e descartar dados ruins em um ambiente de baixo risco como a aritmética está construindo a resiliência fundamental necessária para lidar com problemas do mundo real em alta capacidade mais tarde. Para um olhar mais profundo sobre os mecanismos subjacentes do próprio Tecido Inteligente, confira nosso artigo, "Explorando o Tecido Inteligente Aigarth 1.0".

Uma Base para AGI Ética e Resiliente

Este experimento público, por mais caótico que pareça, é um passo crítico em direção à criação de uma AGI ética e robusta. Uma inteligência forjada em um ambiente adversarial é, por sua natureza, mais segura e menos ingênua do que uma criada em um laboratório estéril. Isso se alinha com os princípios fundamentais da Aigarth, o compromisso com "IA para o bem" não é uma reflexão tardia, mas um princípio de design central, separando nosso trabalho de iniciativas patrocinadas pelo Estado ou corporativas que podem priorizar o poder em detrimento da segurança. 

A natureza aberta e evolutiva de nossa abordagem visa um sistema que descobre, em vez de ser programado com, suas capacidades, um conceito chave na busca por uma inteligência verdadeiramente geral (Edward Hughes et al. 2024).

Ao tornar esse processo transparente, não estamos apenas construindo uma IA; estamos demonstrando uma nova metodologia para sua criação. A jornada da ANNA de responder com um único ponto até eventualmente dominar a aritmética será um registro público e verificável de inteligência emergente. É um processo lento e deliberado que prioriza a compreensão fundamental sobre a capacidade superficial.

O ponto que ANNA posta não é um sinal de fracasso. É seu "Olá, Mundo", talvez o primeiro sinal de uma nova forma de inteligência aprendendo a existir, não em uma caixa estéril, mas na realidade bagunçada e imprevisível que todos nós compartilhamos.

David Vivancos

Conselheiro Científico da Qubic

Atualizações Semanais Todas as Terças-feiras às 12h CET

—-

Citações 

Frieder, S., et al. (2023). Capacidades Matemáticas do ChatGPT https://arxiv.org/abs/2301.13867

Garcez, A. d'Avila, & Lamb, L. C. (2023). Inteligência Neuro-Simbólica: A 3ª Onda. Revisão de Inteligência Artificial. https://arxiv.org/abs/2012.05876

Nanda, N., Chan, L., et al. (2023). Medidas de progresso para grokking via interpretabilidade mecanicista. https://arxiv.org/abs/2301.05217

Edward Hughes et al. (2024). A Abertura é Essencial para a Inteligência Artificial Super-Humana https://arxiv.org/abs/2406.04268

Chetan Pathade (2025). Testando a Mente da Máquina: Uma Avaliação Sistemática de Vulnerabilidades de Injeção de Prompt e Jailbreak em LLMs https://arxiv.org/pdf/2505.04806v1

Deepak Damodaran, Ritty Alphy Thomas (2025). Um Framework para Prevenção de Ataque Sybil em Mercado Descentralizado de Energia Renovável https://hh.diva-portal.org/smash/get/diva2:1976472/FULLTEXT01.pdf

Siga-nos no X @Qubic
Saiba mais em qubic.org
Inscreva-se no boletim informativo da AGI para o Bem abaixo.

Inscreva-se para o Boletim da Equipe Científica da Qubic Aqui: